In dieser Folge spricht Gudrun mit Ayca Akboyraz und Alejandro Castillo. Beide sind im <a href="https://www.sle.kit.edu/vorstudium/master-chemieingenieurwesen-verfahrenstechnik-details.php">Masterstudiengang Chemieingenieurwesen</a> bzw. <a href="https://www.sle.kit.edu/vorstudium/master-bioingenieurwesen-details.php">Bioingenieurwesen</a> am KIT eingeschrieben und haben 2019 das <a href="http://www.math.kit.edu/ianm2/lehre/projorsoft2019s2019s/">Projektorientierte Softwarepraktikum</a> in Gudruns Arbeitsgruppe absolviert. Das Gespräch dreht sich um ihre Erfahrungen in dieser Lehrveranstaltung. Ayca stammt aus der Türkei und Alejandro ist in Mexico aufgewachsen. Beide haben in ihren Heimatländern deutsche Schulen besucht. Anschließend haben sie sich jeweils um ein Studium in Deutschland beworben. Ayca hatte sich zunächst für Wirtschaftsingenieurwesen entschieden, hat aber nach einiger Zeit gemerkt, dass ihr Chemieingenieurwesen viel mehr liegt. Das Projektorientierte Softwarepraktikum wurde 2010 als forschungsnaher Lernort konzipiert. Studierende unterschiedlicher Studiengänge arbeiten dort ein Semester lang an konkreten Strömungssimulationen. Es wird regelmäßig im Sommersemester angeboten. Seit 2014 liegt als Programmiersprache die Open Source Software <a href="https://www.openlb.net">OpenLB</a> zugrunde, die ständig u.a. in der Karlsruher <a href="http://www.lbrg.kit.edu/page/about/en">Lattice Boltzmann Research Group</a> weiter entwickelt wird. Außerdem wird das Praktikum seit 2012 vom <a href="https://www.lehre-hoch-forschung.kit.edu/">Land Baden-Württemberg gefördert</a> als eine Möglichkeit für Studierende, sich im Studium schon an Forschung zu beteiligen. Konkret läuft das Praktikum etwa folgendermaßen ab: Die Studierenden erhalten eine theoretische Einführung in Strömungsmodelle und die Idee von <a href="https://de.wikipedia.org/wiki/Lattice-Boltzmann-Methode">Lattice-Boltzmann-Methoden</a> und finden sich für ein einführendes kleines Projekt in Zweiergruppen zusammen. Anschließend wählen sie aus einem Katalog eine Frage aus, die sie bis zum Ende des Semesters mit Hilfe von Computersimulationen gemeinsam beantworten. Diese Fragen sind Teile von Forschungsthemen der Gruppe, z.B. aus Promotionsprojekten oder Drittmittelforschung. Während der Projektphase werden die Studierenden von dem Doktoranden/der Doktorandin der Gruppe, die die jeweilige Frage gestellt haben, betreut. Am Ende des Semesters werden die Ergebnisse in Vorträgen vorgestellt und diskutiert. Hier ist die ganze Arbeitsgruppe beteiligt. In einer Ausarbeitung werden außerdem die Modellbildung, die Umsetzung in OpenLB und die konkreten Simulationsergebnisse ausführlich dargelegt und in den aktuellen Forschungsstand eingeordnet. Diese Ausarbeitung wird benotet. Die Veranstaltung wird mit 4 <a href="https://de.wikipedia.org/wiki/European_Credit_Transfer_System">ECTS</a> angerechnet. In der klassischen Theorie der Strömungsmechanik werden auf der Grundlage der Erhaltung von Masse, Impuls und Energie und unter berücksichtigung typischer Materialeigenschaften die <a href="https://de.wikipedia.org/wiki/Navier-Stokes-Gleichungen">Navier-Stokes-Gleichungen</a> als Modell für das Strömungsverhalten von z.B. Wasser hergeleitet. Die beiden unbekannten Größen in diesem System partieller Differentialgleichungen sind das Geschwindigkeitsfeld und der Druckgradient. Wenn geeigneten Rand- und Anfangsbedingungen für die Geschwindigkeit vorgeschrieben werden, liegt im Prinzip die Lösung des Gleichungssystem fest. Sie kann aber in der Regel nur numerisch angenähert berechnet werden. Eine wichtige Ausnahme ist die Strömung durch einen Zylinder mit kreisförmigem Querschnitt. Wenn am Rand des Zylinders als Randbedingung vorgeschrieben wird, dass dort das Fluid anhaftet, also die Geschwindigkeit ganz am Rand Null ist, dann stellt sich eine zeitlich unveränderliche (stationäre) Strömung ein, die am Rand des Zylinders still steht und in der Mitte am schnellsten ist. Der Verlauf zwischen diesen beiden Extremen entspricht genau dem einer Parabel. Diese Lösung heißt <a href="https://de.wikipedia.org/wiki/Gesetz_von_Hagen-Poiseuille">Poiseuille-Strömung</a>. Der Durchfluss ergibt sich dann aus dem Druckgradienten. Wenn der Querschnitt des Kanals nicht genau kreisförmig ist, lässt sich <a href="https://en.wikipedia.org/wiki/Hagen%E2%80%93Poiseuille_equation">das Prinzip noch übertragen</a>, aber in der Regel ist die Lösung dann nicht mehr analytisch berechenbar. Die Poiseuille-Strömung ist ein häufiges Test- oder Benchmark-Problem in der numerischen Strömungsmechanik, zumal diese Strömungskonfiguration einer der wenigen Fälle der Navier-Stokes-Gleichungen ist, die analytisch gelöst werden können. Der Sinn des Tests besteht darin, zunächst sicherzustellen, dass die Berechnung mit Hilfe von <a href="https://www.openlb.net/">OpenLB</a>, eine gewisse Genauigkeit aufweist. Zweitens wird die Genauigkeit der Methode überprüft, indem analysiert wird, wie der numerische Fehler mit der Gitterverfeinerung skaliert. Ayca und Alejandro haben in ihrem Projekt diesen Benchmark vollzogen und dafür Simulationen im 2D und 3D Fall mit verschiedenen Randbedingungen, die in der Lattice Boltzmann Methode vorkommen (und in OpenLB implementiert vorliegen), und Gitterverfeinerungen mit Auflösung von 25, 50, 75, 100 Unterteilungen durchgeführt. Obwohl die Randbedingungen in numerischen Verfahren die gleichen grundlegenden Ziele wie im analytischen Fall haben, entwickeln sie sich entlang konzeptionell degenerativer Linien. Während analytische Randbedingungen die zugehörige Lösung aus einer Schar von zulässigen Lösungen der Gleichungen auswählen, wirken die Randbedingungen im Lattice Boltzmann Modell dynamisch mit. Sie sind ein Teil des Lösungsprozesses, der für die Änderung des Systemzustands in Richtung der Lösung zuständig ist. Eine der häufigsten Ursachen für die Divergenz der numerischen Lösung ist die falsche Umsetzung von Randbedingungen. Daher ist es für die Genauigkeit und Konvergenz sehr wichtig, dass die geeigneten Randbedingungen für die untersuchte Geometrie und den Strömungsfall ausgewählt werden. Es gibt eine große Familie Randbedingungen, die für die Lattice Boltzmann Methode entwickelt wurden. Für das Praktikum liegt der Fokus für die Wand auf den Randbedingungen "bounce-back" (Haftbedingung), "local", "interpolated" und "bouzidi". Alle genannten Randbedingungen erzeugen ein parabolisches Strömungsprofil passend zur analytischer Lösung. Unterschiede zeigen sich darin, wie groß die numerische Fehler ist, und in welchem Maß sich der numerische Fehler durch Gitterverfeinerung reduzieren lässt. Der graphische Vergleich der Simultionsergebnisse mit der analytischen Lösung hat gezeigt, dass bouzidi Randbedingung den kleinsten numerischen Fehler und die höchste Konvergenzordnung für den 3D-Fall erzeugt, während local und interpolated Randbedingungen für den 2D-Fall bessere Ergebnisse liefern. Zu beachten ist aber, dass mit erhöhter Gitterverfeinerung die Unterschiede zwischen diesen Randbedingungen verschwinden. Bei der Auswahl der Randbedingung sollte dementsprechend ein Kompromiss zwischen Aufwand und Güte der Lösung gefunden werden. <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="https://www.springer.com/de/book/9783319446479">T. Krüger e.a.: The Lattice Boltzmann Method</a>. Graduate Texts in Physics. Springer, 2017.</li><li> <a href="https://publications.polymtl.ca/1927/">M. Portinari: 2D and 3D Verification and Validation of the Lattice Boltzmann Method.</a> Master Thesis, Montréal 2015.</li><li> <a href="http://www.numdam.org/article/ASNSP_1977_4_4_3_473_0.pdf">C.J. Amick: Steady solutions of the Navier-Stokes equations in unbounded channels and pipes</a>. Ann. Scuola Norm. Sup. Pisa Cl. Sci. (4), 4, 473–513 (1977).</li><li> A. Akboyraz und A. Castillo, Ausarbeitung Softwarepraktikum 2019.</li><li> <a href="https://www.openlb.net/download">M.J. Krause e.a.: OpenLB Release 1.3: Open Source Lattice Boltzmann Code</a>.</li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/gastransport">L. Dietz, J. Jeppener, G. Thäter: Flache Photobioreaktoren - Gespräch im Modellansatz Podcast</a>, Folge 213, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.</li><li> <a href="http://modellansatz.de/luftspalt">T. Hoffmann, G. Thäter: Luftspalt</a>, Gespräch im Modellansatz Podcast, Folge 153, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017.</li></ul>

Modellansatz

Modellansatz 215

In dieser Folge spricht Gudrun mit Ayca Akboyraz und Alejandro Castillo. Beide sind im Masterstudiengang Chemieingenieurwesen bzw. Bioingenieurwesen am KIT eingeschrieben und haben 2019 das Projektorientierte Softwarepraktikum in Gudruns Arbeitsgruppe absolviert. Das Gespräch dreht sich um ihre Erfahrungen in dieser Lehrveranstaltung. Ayca stammt aus der Türkei und Alejandro ist in Mexico aufgewachsen. Beide haben in ihren Heimatländern deutsche Schulen besucht. Anschließend haben sie sich jeweils um ein Studium in Deutschland beworben. Ayca hatte sich zunächst für Wirtschaftsingenieurwesen entschieden, hat aber nach einiger Zeit gemerkt, dass ihr Chemieingenieurwesen viel mehr liegt. Das Projektorientierte Softwarepraktikum wurde 2010 als forschungsnaher Lernort konzipiert. Studierende unterschiedlicher Studiengänge arbeiten dort ein Semester lang an konkreten Strömungssimulationen. Es wird regelmäßig im Sommersemester angeboten. Seit 2014 liegt als Programmiersprache die Open Source Software OpenLB zugrunde, die ständig u.a. in der Karlsruher Lattice Boltzmann Research Group weiter entwickelt wird. Außerdem wird das Praktikum seit 2012 vom Land Baden-Württemberg gefördert als eine Möglichkeit für Studierende, sich im Studium schon an Forschung zu beteiligen. Konkret läuft das Praktikum etwa folgendermaßen ab: Die Studierenden erhalten eine theoretische Einführung in Strömungsmodelle und die Idee von Lattice-Boltzmann-Methoden und finden sich für ein einführendes kleines Projekt in Zweiergruppen zusammen. Anschließend wählen sie aus einem Katalog eine Frage aus, die sie bis zum Ende des Semesters mit Hilfe von Computersimulationen gemeinsam beantworten. Diese Fragen sind Teile von Forschungsthemen der Gruppe, z.B. aus Promotionsprojekten oder Drittmittelforschung. Während der Projektphase werden die Studierenden von dem Doktoranden/der Doktorandin der Gruppe, die die jeweilige Frage gestellt haben, betreut. Am Ende des Semesters werden die Ergebnisse in Vorträgen vorgestellt und diskutiert. Hier ist die ganze Arbeitsgruppe beteiligt. In einer Ausarbeitung werden außerdem die Modellbildung, die Umsetzung in OpenLB und die konkreten Simulationsergebnisse ausführlich dargelegt und in den aktuellen Forschungsstand eingeordnet. Diese Ausarbeitung wird benotet. Die Veranstaltung wird mit 4 ECTS angerechnet. In der klassischen Theorie der Strömungsmechanik werden auf der Grundlage der Erhaltung von Masse, Impuls und Energie und unter berücksichtigung typischer Materialeigenschaften die Navier-Stokes-Gleichungen als Modell für das Strömungsverhalten von z.B. Wasser hergeleitet. Die beiden unbekannten Größen in diesem System partieller Differentialgleichungen sind das Geschwindigkeitsfeld und der Druckgradient. Wenn geeigneten Rand- und Anfangsbedingungen für die Geschwindigkeit vorgeschrieben werden, liegt im Prinzip die Lösung des Gleichungssystem fest. Sie kann aber in der Regel nur numerisch angenähert berechnet werden. (...)

Poiseuillestrom

In dieser Folge spricht Gudrun mit Larissa Dietz und Jonathan Jeppener. Beide sind im <a href="https://www.sle.kit.edu/vorstudium/master-chemieingenieurwesen-verfahrenstechnik-details.php">Masterstudiengang Verfahrenstechnik</a> am KIT eingeschrieben und haben 2019 das <a href="http://www.math.kit.edu/ianm2/lehre/projorsoft2019s2019s/">Projektorientierte Softwarepraktikum</a> in Gudruns Arbeitsgruppe absolviert. Das Gespräch dreht sich um ihre Erfahrungen in dieser Lehrveranstaltung. Das Praktikum wurde 2010 als forschungsnaher Lernort konzipiert. Studierende unterschiedlicher Studiengänge arbeiten dort ein Semester lang an konkreten Strömungssimulationen. Es wird regelmäßig im Sommersemester angeboten. Seit 2014 liegt als Programmiersprache die Open Source Software <a href="https://www.openlb.net">OpenLB</a> zugrunde, die ständig u.a. in der Karlsruher <a href="http://www.lbrg.kit.edu/page/about/en">Lattice Boltzmann Research Group (LBRG)</a> weiter entwickelt wird. Außerdem wird das Praktikum seit 2012 vom <a href="https://www.lehre-hoch-forschung.kit.edu/">Land Baden-Württemberg gefördert</a> als eine Möglichkeit für Studierende, sich im Studium schon an Forschung zu beteiligen. Konkret läuft das Praktikum etwa folgendermaßen ab: Die Studierenden erhalten eine theoretische Einführung in Strömungsmodelle und die Idee von <a href="https://de.wikipedia.org/wiki/Lattice-Boltzmann-Methode">Lattice-Boltzmann-Methoden</a> und finden sich für ein einführendes kleines Projekt in Zweiergruppen zusammen. Anschließend wählen sie aus einem Katalog eine Frage aus, die sie bis zum Ende des Semesters mit Hilfe von Computersimulationen gemeinsam beantworten. Diese Fragen sind Teile von Forschungsthemen der Gruppe, z.B. aus Promotionsprojekten oder Drittmittelforschung. Während der Projektphase werden die Studierenden von dem Doktoranden/der Doktorandin der Gruppe, die die jeweilige Frage gestellt haben, betreut. Am Ende des Semesters werden die Ergebnisse in Vorträgen vorgestellt und diskutiert. Hier ist die ganze Arbeitsgruppe beteiligt. In einer Ausarbeitung werden außerdem die Modellbildung, die Umsetzung in OpenLB und die konkreten Simulationsergebnisse ausführlich dargelegt und in den aktuellen Forschungsstand eingeordnet. Diese Ausarbeitung wird benotet. Die Veranstaltung wird mit 4 <a href="https://de.wikipedia.org/wiki/European_Credit_Transfer_System">ECTS</a> angerechnet. Das Projekt von Larissa und Jonathan betrachtete den Stofftransport von <a href="https://de.wikipedia.org/wiki/Kohlenstoffdioxid">CO2-Gas</a> in flachen <a href="https://de.wikipedia.org/wiki/Photobioreaktor">Photobioreaktoren</a>. Mit ihrer großen Oberfläche erlauben sie viel einfallendes Licht. Algenzucht im industriellen Maßstab ist unerlässlich, um die weltweite Nachfrage nach schnell nachwachsender Nahrung und erneuerbaren Energiequellen zu befriedigen. Derzeit nutzen die meisten Produzenten kosteneffiziente und einfach zu bedienende offene Teiche. Die Nachfrage nach gut steuerbaren geschlossenen Photobioreaktoren steigt durch die erhöhte Effizienz der gut einstellbaren Reaktorbedingungen. Weitere Vorteile gegenüber offenen Reaktoren sind ein geringerer CO2- und Wasserverlust und eine größere Vielfalt an kultivierbaren Arten. Für ein optimales Algenwachstum müssen die regulierende Flüssigkeitsdynamik, der Lichttransfer, biochemische Reaktionen und deren gegenseitige Wechselwirkung optimiert werden. Die Untersuchung dieser Parameter mit Hilfe gekoppelter numerischer Simulationen vermeidet teure Experimente und trägt somit zur Verbesserung geschlossener Photobioreaktoren bei. Larissa und Jonathan beschränkten sich für ihr Projekt auf die Modellierung des Stofftransports aller Komponenten und den Lichteinfall. Konkret ergeben sich dabei eine <a href="https://de.wikipedia.org/wiki/Konvektions-Diffusions-Gleichung">Advektions-Diffusions-Gleichung</a> für den Gastransport und die <a href="https://de.wikipedia.org/wiki/Navier-Stokes-Gleichungen">Navier-Stokes Gleichungen</a> für das Fluid. Die <a href="https://de.wikipedia.org/wiki/Photosynthese">Photosynthese</a> für CO2-Umsatz wurde daran als Quelle gekoppelt. Aufgrund der hohen Parallelisierbarkeit und der Einfachheit der Berechnungsgitterkopplungen ist die Lattice-Boltzmann-Methode (LBM) geeignet, dieses System von interagierenden Differentialgleichungen zu lösen, die Fluidströmung, Stofftransport und Strahlungsfeld beschreiben. Der Bericht von Larissa und Jonathan schlägt stabile Diffusionsparameter und eine Betriebslichtkopplung vor, die sie in ihrer Projektarbeit ermittelt haben. Der von ihnen betrachtete Testfall basiert auf der Simulation der Partikelströmung durch Trunk et al. (Quelle unten). Die beiden mussten außerdem geeignete Randbedingungen finden. Die von ihnen gefundenen Simulationsparameter gewährleisten eine stabile Simulation. <img class="imgcenter" src="http://www.math.kit.edu/ianm4/seite/ma-gastransport/media/gastransport-o-512x117.gif" alt="CO2-Transport im Photobioreaktor" title="CO2-Transport im Photobioreaktor" /> <img class="imgcenter" src="http://www.math.kit.edu/ianm4/seite/ma-gastransport/media/gastransport-o-512x117.gif" alt="CO2-Transport im Photobioreaktor mit leichter Kopplung" title="CO2-Transport im Photobioreaktor mit leichter Kopplung" /> <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="https://www.academia.edu/25763290/Characterization_of_a_flat_plate_photobioreactor_for_the_production_of_microalgae">E. Sierra e.a.: Characterization of a flat plate photobioreactor for the production of microalgae</a>. Chemical Engineering Journal, 138:136–147, 03 2008.</li><li> <a href="https://publikationen.bibliothek.kit.edu/1000063512">R. Trunk e.a.: Inertial dilute particulate fluid flow simulations with an euler–euler lattice boltzmann method</a>. Journal of Computational Science, 17:438–445, 2016.</li><li> <a href="https://www.springer.com/de/book/9783319446479">T. Krüger e.a.: The Lattice Boltzmann Method</a>. Graduate Texts in Physics. Springer, 2017.</li><li> <a href="https://onlinelibrary.wiley.com/doi/abs/10.1002/14356007.o16_o01">C. Posten and R. Rosello-Sastre: Microalgae Reactors</a>. American Cancer Society, 2011.</li><li> L. Dietz und J. Jeppener: Simulation of CO2 Distribution in Photobioreactors with the Lattice Boltzmann Method, Ausarbeitung Softwarepraktikum 2019.</li><li> <a href="https://www.openlb.net/download">M.J. Krause e.a.: OpenLB Release 1.3: Open Source Lattice Boltzmann Code</a>.</li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/photobioreaktoren">J. Kolbe, G. Thäter: Photobioreaktoren</a> - Gespräch im Modellansatz Podcast, Folge 065, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT) 2015.</li></ul>

Modellansatz 214

In dieser Folge spricht Gudrun mit Larissa Dietz und Jonathan Jeppener. Beide sind im Masterstudiengang Verfahrenstechnik am KIT eingeschrieben und haben 2019 das Projektorientierte Softwarepraktikum in Gudruns Arbeitsgruppe absolviert. Das Gespräch dreht sich um ihre Erfahrungen in dieser Lehrveranstaltung. Das Praktikum wurde 2010 als forschungsnaher Lernort konzipiert. Studierende unterschiedlicher Studiengänge arbeiten dort ein Semester lang an konkreten Strömungssimulationen. Es wird regelmäßig im Sommersemester angeboten. Seit 2014 liegt als Programmiersprache die Open Source Software OpenLB zugrunde, die ständig u.a. in der Karlsruher Lattice Boltzmann Research Group (LBRG) weiter entwickelt wird. Außerdem wird das Praktikum seit 2012 vom Land Baden-Württemberg gefördert als eine Möglichkeit für Studierende, sich im Studium schon an Forschung zu beteiligen. Konkret läuft das Praktikum etwa folgendermaßen ab:  Die Studierenden erhalten eine theoretische Einführung in Strömungsmodelle und die Idee von Lattice-Boltzmann-Methoden und finden sich für ein einführendes kleines Projekt in Zweiergruppen zusammen. Anschließend wählen sie aus einem Katalog eine Frage aus, die sie bis zum Ende des Semesters mit Hilfe von Computersimulationen gemeinsam beantworten. Diese Fragen sind Teile von Forschungsthemen der Gruppe, z.B. aus Promotionsprojekten oder Drittmittelforschung. Während der Projektphase werden die Studierenden von dem Doktoranden/der Doktorandin der Gruppe, die die jeweilige Frage gestellt haben, betreut. Am Ende des Semesters werden die Ergebnisse in Vorträgen vorgestellt und diskutiert. Hier ist die ganze Arbeitsgruppe beteiligt. In einer Ausarbeitung werden außerdem die Modellbildung, die Umsetzung in OpenLB und die konkreten Simulationsergebnisse ausführlich dargelegt und in den aktuellen Forschungsstand eingeordnet. Diese Ausarbeitung wird benotet. Die Veranstaltung wird mit 4 ECTS angerechnet. Das Projekt von Larissa und Jonathan betrachtete den Stofftransport von CO2-Gas in flachen Photobioreaktoren. Mit ihrer großen Oberfläche erlauben sie viel einfallendes Licht. Algenzucht im industriellen Maßstab ist unerlässlich, um die weltweite Nachfrage nach schnell nachwachsender Nahrung und erneuerbaren Energiequellen zu befriedigen. Derzeit nutzen die meisten Produzenten kosteneffiziente und einfach zu bedienende offene Teiche. Die Nachfrage nach gut steuerbaren geschlossenen Photobioreaktoren steigt durch die erhöhte Effizienz der gut einstellbaren Reaktorbedingungen. Weitere Vorteile gegenüber offenen Reaktoren sind ein geringerer CO2- und Wasserverlust und eine größere Vielfalt an kultivierbaren Arten. Für ein optimales Algenwachstum müssen die regulierende Flüssigkeitsdynamik, der Lichttransfer, biochemische Reaktionen und deren gegenseitige Wechselwirkung optimiert werden. Die Untersuchung dieser Parameter mit Hilfe gekoppelter numerischer Simulationen vermeidet teure Experimente und trägt somit zur Verbesserung (...)

Gastransport

Gudrun hat sich Ende Mai 2019 in Mannheim mit <a href="https://scicom.math.uni-mannheim.de/de/team/kerstin-lux/">Kerstin Lux</a> und <a href="https://www.math.tu-berlin.de/fachgebiete_ag_modnumdiff/fg_numerische_mathematik/v-menue/mitarbeiter/benjamin_unger/home/">Benjamin Unger</a> verabredet, um mit ihnen über ihre Erfahrungen als <a href="https://www.gamm-juniors.de/">GAMM Junioren</a> zu sprechen. Benjamin ist aktuell Sprecher dieses Nachwuchsgremiums der <a href="https://www.gamm-ev.de/index.php/de/">Gesellschaft für Angewandte Mathematik und Mechanik</a> (kurz GAMM). Kerstin wurde Ende 2018 als GAMM Juniorin vorgeschlagen und ist jetzt das erste Jahr dabei. Gudrun und Kerstin hatten sich im März 2019 in Bonn bei einer Konferenz über Optimierung kennengelernt und das Podcastgespräch verabredet. Kerstin ist zur Zeit Doktorandin in der Arbeitsgruppe von <a href="https://scicom.math.uni-mannheim.de/de/team/prof-dr-simone-goettlich/">Simone Göttlich</a> an der Uni in Mannheim, weshalb sich Mannheim als guter Treffpunkt für ein ruhiges Gespräch anbot. Etwas später am gleichen Tag wurde auch das <a href="http://modellansatz.de/verkehrsoptimierung">Podcastgespräch mit Simone Göttlich</a> geführt. Die <a href="https://www.gamm-ev.de/index.php/de/organisation/gamm-junioren.html">GAMM sagt über das Gremium</a>: "GAMM-Junioren sind junge NachwuchswissenschaftlerInnen und Mitglieder der GAMM, die für die Jahre 2012 bis 2014 erstmals aus einer Reihe an Vorschlägen ernannt wurden. In der Hauptversammlung der GAMM im Rahmen der Jahrestagung 2011 in Graz wurde die Nominierung junger Nachwuchswissenschaftler beschlossen, die sich durch herausragende Leistungen in Diplom- und/oder Doktorarbeiten auf dem Gebiet der Angewandten Mathematik oder Mechanik auszeichnen. Ende 2011 wurden daraufhin die ersten 10 GAMM-Junioren nominiert, wobei eine Vorauswahl auf Basis von Vorschlägen durch die Hochschulvertreter der GAMM getroffen wurde. In jedem Jahr werden 10 weitere GAMM-Junioren ernannt, so dass die Gruppe nach einer Anlaufphase von drei Jahren auf 30 Personen angewachsen sein wird. Nach drei Jahren endet automatisch die Mitgliedschaft als GAMM-Junior. Während dieser Zeit sind die GAMM-Junioren beitragsbefreit. Mittels der kostenfreien GAMM-Mitgliedschaft und der dynamischen personellen Zusammensetzung der Gruppe soll eine zusätzliche finanzielle und ideelle Förderung von Nachwuchswissenschaftlern erreicht werden. Durch die Überschneidung der Amtszeit der Mitglieder können diese ihr fachliches und organisatorisches Wissen an die nachfolgenden Generationen der GAMM Juniors weitergeben." Die Rolle GAMM-Junior wird also als Preis für Studierende, Doktoranden und Post-Doktoranden verliehen und beinhaltet eine kostenlose Mitgliedschaft in der GAMM für drei Jahre. Kerstin und Benjamin erleben es als lebendiges Netzwerk von gleichgesinnten, die voneinander sowohl fachlich als auch darüber hinaus lernen und die sich gegenseitig unterstützen. Die GAMM vertritt Interessen der angewandten Mathematik und Mechanik vor allem auf europäischer und deutscher Ebene. Kerstin und Benjamin erleben insbesondere die Jahrestagungen als Familientreffen. Die Forschungsthemen sind oft Disziplinen übergreifend und die GAMM ermöglicht es, eine gemeinsame Sprache zu erarbeiten zwischen Mathematik und Mechanik. Die GAMM gibt drei Zeitschriften heraus: die <a href="https://www.gamm-ev.de/index.php/de/publikationen/gamm-mitteilungen.html">GAMM-Mitteilungen</a>, die <a href="https://www.gamm-ev.de/index.php/de/publikationen/zamm.html">ZAMM</a> und die <a href="https://www.gamm-ev.de/index.php/de/publikationen/pamm.html">PAMM</a> (Proceedings der Jahrestagung). Natürlich sind die Jahrestagungen stets offen für nicht-Mitglieder. Neben den GAMM-Junioren gibt es auch <a href="https://www.gamm-ev.de/index.php/de/organisation/gamm-nachwuchsgruppen.html">GAMM Nachwuchsgruppen</a> an Universitäten in Augsburg, Berlin, Chemnitz, Dortmund, Hamburg, Ulm. Im Rahmen der Jahrestagung der GAMM gibt es inzwischen schon traditionelle Beiträge der 30 jungen Leute. Z.B. das YAMM-lunch (Young Academics meet mentors) für den nichtfachlichen Austausch mit Mentoren, eine Postersession aus Beiträgen der GAMM Junioren, wo sich auch Alumni (also ehemalige GAMM-Junioren) einfinden, um zu sehen, wie der Staffelstab weitergetragen wird und ein Treffen am Rande der Jahrestagung am Freitagnachmittag. Darüber hinaus gibt es auch jedes Jahr ein Herbsttreffen für den Forschungsaustausch und die Planung eigener Aktivitäten. Bewährt haben sich z.B. Sommerschulen (sogenannte SAMM) zu bestimmten Themen, die dann offen für alle Interessierten sind. Im Moment arbeiten die Junioren daran, auch einen Hauptvortrag auf der nächsten GAMM Jahrestagung durch eine Sommerschule vorzubereiten, um den Stoff für junge Forschende besser zu erschließen. Ein weiteres Abenteuer für die GAMM-Junioren war die Gründung des Journals <a href="https://www.bibliothek.tu-chemnitz.de/ojs/index.php/gammas/">GAMMAS</a> für Studierende und deren Forschungsergebnisse. Es zeigte sich, dass die Gründung ohne Verlag im Hintergrund ein aufwändiger Prozess war. Es braucht eine Plattform, auf der Beiträge strukturiert eingereicht werden können und wo der Peer-Review Prozess ablaufen kann. Man muss auch automatisch generierte E-Mails für die Stufen des Veröffentlichungs-Prozesses formulieren. Als Grundlage konnte das Open Journal System dienen. Außerdem gibt es Unterstützung durch Universität in Chemnitz - z.B. durch Bereitstelung des Servers. Das <a href="https://en.wikipedia.org/wiki/Editorial_board">Editorial Board</a> besteht aus den Sprechern der GAMM Junioren, die Gutachten werden von den 30 GAMM Junioren erstellt. Darüber hinaus fungiert <a href="https://www.tu-chemnitz.de/mathematik/wire/prof.php">Prof. Dr. Martin Stoll</a> als Chief Editor. Vorgesehen sind drei Formate: kurze sogenannte Technical reports, "normale" Artikel und Arbeiten mit didaktischem Inhalt (educational articles). Bis ein Jahr nach Abschluss des Masters sind Personen berechtigt, ihre Arbeiten für die ersten zwei Formate einzureichen. Didaktische Arbeiten können auch von Lehrenden aller Ausbildungsstufen eingereicht werden.Thematisch ist GAMMAS offen für Forschungsbeiträge aus allen in der GAMM vertretenen Bereichen. Wichtig ist es vor allem, wissenschaftlich sauber zu arbeiten. Explizit wird auch die Veröffentlichung von negativen Resultaten ermöglicht. Benjamin hat in Karlsruhe seine Bachelorarbeit geschrieben (in der gleichen Arbeitsgruppe, in der auch Gudrun tätig war). Anschließend hat er während eines Jahres an der Virginia Tech in den USA einen (eigentlich zweijährigen) Masterstudiengang Mathematik abgeschlossen. Das war im Rahmen eines Partnerschaftsprogrammes der Uni in Karlsruhe mit der Virginia Tech möglich. Zur Zeit arbeitet er an der TU Berlin an einer mathematischen Promotion im Thema "Delay differential-algebraic equations" in der Arbeitsgruppe von Volker Mehrmann. Kerstin hat ihren Bachelor und Master in Wirtschaftsmathematik an der Uni in Mannheim abgeschlossen inklusive eines Auslandssemesters an der Université Nice Sophia Antipolis in Frankreich. Nun arbeitet sie als Doktorandin in der AG wissenschaftliches Rechnen zu Methoden der optimalen Einspeisung in Versorgungssysteme unter Berücksichtigung unsicherer Nachfrage. <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="https://www.bibliothek.tu-chemnitz.de/ojs/index.php/GAMMAS/article/view/417">D. Kern, M. Bartelt und B. Unger: How to write an article for GAMMAS and a longer title</a>, GAMM Archive for Students, Vol. 1, 2019, pp. 1-5.</li><li> <a href="https://www.bibliothek.tu-chemnitz.de/ojs/index.php/GAMMAS/about/submissions">Wie wird ein Artikel bei GAMMAS eingereicht?</a></li><li> <a href="https://de.wikipedia.org/wiki/Gesellschaft_f%C3%BCr_Angewandte_Mathematik_und_Mechanik">GAMM</a> Wikipedia.</li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/verkehrsoptimierung">S. Göttlich, G. Thäter: Verkehrsoptimierung</a>, Gespräch im Modellansatz Podcast, Folge 209, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. </li></ul>

Modellansatz 213

Gudrun hat sich Ende Mai 2019 in Mannheim mit Kerstin Lux und Benjamin Unger verabredet, um mit ihnen über ihre Erfahrungen als GAMM Junioren zu sprechen. Benjamin ist aktuell Sprecher dieses Nachwuchsgremiums der Gesellschaft für Angewandte Mathematik und Mechanik (kurz GAMM). Kerstin wurde Ende 2018 als GAMM Juniorin vorgeschlagen und ist jetzt das erste Jahr dabei. Gudrun und Kerstin hatten sich im März 2019 in Bonn bei einer Konferenz über Optimierung kennengelernt und das Podcastgespräch verabredet. Kerstin ist zur Zeit Doktorandin in der Arbeitsgruppe von Simone Göttlich an der Uni in Mannheim, weshalb sich Mannheim als guter Treffpunkt für ein ruhiges Gespräch anbot. Etwas später am gleichen Tag wurde auch das Podcastgespräch mit Simone Göttlich geführt. Die GAMM sagt über das Gremium: "GAMM-Junioren sind junge NachwuchswissenschaftlerInnen und Mitglieder der GAMM, die für die Jahre 2012 bis 2014 erstmals aus einer Reihe an Vorschlägen ernannt wurden. In der Hauptversammlung der GAMM im Rahmen der Jahrestagung 2011 in Graz wurde die Nominierung junger Nachwuchswissenschaftler beschlossen, die sich durch herausragende Leistungen in Diplom- und/oder Doktorarbeiten auf dem Gebiet der Angewandten Mathematik oder Mechanik auszeichnen. Ende 2011 wurden daraufhin die ersten 10 GAMM-Junioren nominiert, wobei eine Vorauswahl auf Basis von Vorschlägen durch die Hochschulvertreter der GAMM getroffen wurde. In jedem Jahr werden 10 weitere GAMM-Junioren ernannt, so dass die Gruppe nach einer Anlaufphase von drei Jahren auf 30 Personen angewachsen sein wird. Nach drei Jahren endet automatisch die Mitgliedschaft als GAMM-Junior. Während dieser Zeit sind die GAMM-Junioren beitragsbefreit. Mittels der kostenfreien GAMM-Mitgliedschaft und der dynamischen personellen Zusammensetzung der Gruppe soll eine zusätzliche finanzielle und ideelle Förderung von Nachwuchswissenschaftlern erreicht werden. Durch die Überschneidung der Amtszeit der Mitglieder können diese ihr fachliches und organisatorisches Wissen an die nachfolgenden Generationen der GAMM Juniors weitergeben." Die Rolle GAMM-Junior wird also als Preis für Studierende, Doktoranden und Post-Doktoranden verliehen und beinhaltet eine kostenlose Mitgliedschaft in der GAMM für drei Jahre. Kerstin und Benjamin erleben es als lebendiges Netzwerk von gleichgesinnten, die voneinander sowohl fachlich als auch darüber hinaus lernen und die sich gegenseitig unterstützen. Die GAMM vertritt Interessen der angewandten Mathematik und Mechanik vor allem auf europäischer und deutscher Ebene. Kerstin und Benjamin erleben insbesondere die Jahrestagungen als Familientreffen. Die Forschungsthemen sind oft Disziplinen übergreifend und die GAMM ermöglicht es, eine gemeinsame Sprache zu erarbeiten zwischen Mathematik und Mechanik. Die GAMM gibt drei Zeitschriften heraus: die GAMM-Mitteilungen, die ZAMM und die PAMM (Proceedings der Jahrestagung). Natürlich sind die Jahrestagungen stets offen für nicht-Mitglieder. (...)

GAMM Juniors

Gudrun spricht mit Henrieke Benner über deren Masterarbeit "Adaption and Implementation of Conventional Mesh Smoothing Techniques for the Applicability in the Industrial Process of Automated Shape Optimization", die in Zusammenarbeit von Henrieke und Gudrun mit der Firma Dassault entstanden ist. Unser Leben wird bestimmt durch industriell hergestellte Dinge. Im Alltag nutzen wir zum Beispiel Toaster, Waschmaschinen, Fernseher und Smartphones. Fahrräder, Autos, Züge und Flugzeuge transportieren uns und wir denken wenig darüber nach, wie es dazu kam, dass sie genau diese Form und das gewählte Material haben, solange alles funktioniert. Für die Industrie, die all diese Gegenstände baut, zerfällt der Prozess der Entwicklung neuer Produkte in viele Entscheidungen über Form und Material einzelner Bauteile. Traditionell wurde hier verändert und ausprobiert, aber seit einigen Jahrzehnten sind Computer eine große Hilfe. Mit Ihnen können <ul><li> Bilder von noch nicht existierenden Produkten erschafft werden, die sich diese von allen Seiten, auch von innen und in Bewegung darstellen,</li><li> mit Hilfe von Simulationsprogrammen Experimente zur Qualität gemacht werden,</li><li> bestmögliche Formen gefunden werden.</li></ul> In der Masterarbeit geht es um die Optimierung der Form von Objekten am Computer - schnell und möglichst automatisch. Es liegt in der Natur der Aufgabe, dass hier mehrere Wissensfelder zusammentreffen: <ul><li> mechanische Modelle,</li><li> Computer Strukturen und wie man dort beispielsweise Modelle von Objekten abbilden kann,</li><li> Optimierungsmethoden,</li><li> numerische Verfahren.</li></ul> Als Rahmen dient für Arbeit das Strukturoptimierungsprogrammpaket <a href="https://blogs.3ds.com/simulia/author/michaelwerner/">TOSCA</a>, das von <a href="https://www.3ds.com/de/">Dassault Systèmes</a> am Standort in Karlsruhe (weiter)entwickelt wird und weltweit als Software-Tool, eingebunden in Simulationsschleifen, genutzt wird, um Bauteile zu optimieren. Für die Numerik werden <a href="https://de.wikipedia.org/wiki/Finite-Elemente-Methode">Finite Elemente Verfahren</a> genutzt. Grundlage einer jeden Strukturoptimierung ist ein mathematisches Optimierungsproblem unter Nebenbedingungen. Dazu werden eine Zielgröße und mehrere Nebenbedingungen definiert. Die Zielgröße ist dabei abhängig von zu bestimmenden Variablen, die als Unbekannte oder Optimierungsparameter bezeichnet werden. Die Nebenbedingungen sind Bedingungen an die Variablen, die erfüllt sein müssen, damit die Löung ”gültig“ ist. Das Ziel der Optimierung ist nun die Minimierung der Zielgröße unter Einhaltung der Nebenbedingungen. Um das Problem zu lösen, gibt es eine Bandbreite verschiedener Löungsmöglichkeiten, jeweils zugeschnitten auf das genaue Problem. Alle Löser bzw. Minimierungsprobleme haben jedoch gemein, dass sowohl die Konvexität der <a href="https://de.wikipedia.org/wiki/Konvexe_und_konkave_Funktionen">Zielfunktion</a> als auch die <a href="https://de.wikipedia.org/wiki/Konvexe_Menge">Konvexität des Designgebiets</a> von fundamentaler Bedeutung für die Lösbarkeit des Problems sind. Wenden wir uns nun dem Gebiet der Strukturoptimierung zu, so besteht anfangs zunächst die Hüde, ein mechanisches Problem mit Hilfe von Computer-Aided-Design Software (CAD) auszudrücken. Um die Belastungen des Bauteils zu berechnen, nutzt man anschließend Finite-Element-Analysis Software (FEA). Das Strukturoptimierungspaket TOSCA bietet anschließend mehrere Möglichkeiten zur Optimierung an. Relevant ist für das vorliegende Problem jedoch nur die Formoptimierung. Sie setzt ihre Ziel- und Restriktionsfunktionen aus Steifigkeit, Volumen, Verschiebung, inneren Kräften und Widerstandsmoment zusammen. Um eine Formoptimierung zu starten, muss zunächst vom Nutzer eine Triangulierung zur Verfügung gestellt werden, mit der die Werte der Ziel und Restriktionsfunktion berechnet werden. Während der Optimierung werden die Positionen der Oberflächenknoten variiert. Beispielsweise wird Material an Stellen hoher Spannung hinzugefügt und an Stellen niedriger Spannung entfernt. Problematisch an der Formoptimierung ist, dass sich die Qualität der finiten Elemente durch die Bewegung der Oberflächenknoten verändert. Modifiziert man nur die Oberflächenknoten, so entsteht ein unregelmäßiges Netz, welches keine gleichmäßigen finiten Elemente enthält oder schlimmstenfalls keine gültige Zerlegung der modifizierten Komponente ist. Die auf der ungültigen Triangulierten durchgeführten Berechnungen der Zielgrößen sind daher nicht mehr zuverlässig. Abhilfe kann nur geschaffen werden, wenn das Netz nach jedem Iterationschritt geglättet wird. Im Rahmen von Henriekes Arbeit werden zwei Ansätze zur Netzglättung implementiert, diskutiert und miteinander verglichen: <a href="https://pdfs.semanticscholar.org/b7b3/2b985e57bde8381a72eb0c4fe850016a5972.pdf">Glättung</a> durch den <a href="https://en.wikipedia.org/wiki/Laplace_operator">Laplace Operator</a> und Qualitätsmaße für das Finite Elemente Gitter. Die Anwendung des Laplace Operators ist theoretisch die fundiertere Variante, aber in der numerischen Umsetzung sehr aufwändig. <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="https://projecteuclid.org/euclid.jpm/1504144842">M.M. Selim; R.P. Koomullil: Mesh Deformation Approaches - A Survey</a>. Journal of Physical Mathematics, 7, 2016. <a href="http://dx.doi.org/10.4172/2090-0902.1000181">http://dx.doi.org/10.4172/2090-0902.1000181</a></li><li> <a href="http://matematicas.unex.es/~coco/Modelizacion/FEMLarson_Bengzon.pdf">C. Dai, H.-L. Liu, L. Dong: A comparison of objective functions of optimization-based smoothing algorithm for tetrahedral mesh improvement</a>. Journal of theoretical and applied mechanics, 52(1):151–163, 2014.</li><li> <a href="https://books.google.de/books/about/Strukturoptimierung.html?id=p8iPnAEACAAJ">L. Harzheim. Strukturoptimierung: Grundlagen und Anwendungen</a>. Deutsch, 2008.</li><li> <a href="https://onlinelibrary.wiley.com/doi/pdf/10.1002/cnm.1630040603">David A. Field: Laplacian Smoothing and Delaunay Triangulations</a>. Communications in Applied Numerical Methods, 4:709 – 712, 1988.</li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/topologieoptimierung">M. An, G. Thäter: Topologieoptimierung</a>, Gespräch im Modellansatz Podcast, Folge 125, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. </li><li> <a href="http://modellansatz.de/strukturoptimierung">P. Allinger, N. Stockelkamp, G. Thäter: Strukturoptimierung</a>, Gespräch im Modellansatz Podcast, Folge 053, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015. </li><li> <a href="http://modellansatz.de/fussgaenger">G. Thäter, H. Benner: Fußgänger</a>, Gespräch im Modellansatz Podcast, Folge 43, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015</li></ul>

Modellansatz 212

Gudrun spricht mit Henrieke Benner über deren Masterarbeit "Adaption and Implementation of Conventional Mesh Smoothing Techniques for the Applicability in the Industrial Process of Automated Shape Optimization", die in Zusammenarbeit von Henrieke und Gudrun mit der Firma Dassault entstanden ist. Unser Leben wird bestimmt durch industriell hergestellte Dinge. Im Alltag nutzen wir zum Beispiel Toaster, Waschmaschinen, Fernseher und Smartphones. Fahrräder, Autos, Züge und Flugzeuge transportieren uns und wir denken wenig darüber nach, wie es dazu kam, dass sie genau diese Form und das gewählte Material haben, solange alles funktioniert. Für die Industrie, die all diese Gegenstände baut, zerfällt der Prozess der Entwicklung neuer Produkte in viele Entscheidungen über Form und Material einzelner Bauteile. Traditionell wurde hier verändert und ausprobiert, aber seit einigen Jahrzehnten sind Computer eine große Hilfe. Mit Ihnen können Bilder von noch nicht existierenden Produkten erschafft werden, die sich diese von allen Seiten, auch von innen und in Bewegung darstellen, mit Hilfe von Simulationsprogrammen Experimente zur Qualität gemacht werden, bestmögliche Formen gefunden werden. In der Masterarbeit geht es um die Optimierung der Form von Objekten am Computer - schnell und möglichst automatisch. Es liegt in der Natur der Aufgabe, dass hier mehrere Wissensfelder zusammentreffen: mechanische Modelle, Computer Strukturen und wie man dort beispielsweise Modelle von Objekten abbilden kann, Optimierungsmethoden, numerische Verfahren. Als Rahmen dient für Arbeit das Strukturoptimierungsprogrammpaket TOSCA, das von Dassault Systèmes am Standort in Karlsruhe (weiter)entwickelt wird und weltweit als Software-Tool, eingebunden in Simulationsschleifen, genutzt wird, um Bauteile zu optimieren. Für die Numerik werden Finite Elemente Verfahren genutzt. Grundlage einer jeden Strukturoptimierung ist ein mathematisches Optimierungsproblem unter Nebenbedingungen. Dazu werden eine Zielgröße und mehrere Nebenbedingungen definiert. Die Zielgröße ist dabei abhängig von zu bestimmenden Variablen, die als Unbekannte oder Optimierungsparameter bezeichnet werden. Die Nebenbedingungen sind Bedingungen an die Variablen, die erfüllt sein müssen, damit die Löung ”gültig“ ist. Das Ziel der Optimierung ist nun die Minimierung der Zielgröße unter Einhaltung der Nebenbedingungen. Um das Problem zu lösen, gibt es eine Bandbreite verschiedener Löungsmöglichkeiten, jeweils zugeschnitten auf das genaue Problem. Alle Löser bzw. Minimierungsprobleme haben jedoch gemein, dass sowohl die Konvexität der Zielfunktion als auch die Konvexität des Designgebiets von fundamentaler Bedeutung für die Lösbarkeit des Problems sind. Wenden wir uns nun dem Gebiet der Strukturoptimierung zu, so besteht anfangs zunächst die Hüde, ein mechanisches Problem mit Hilfe von Computer-Aided-Design Software (CAD) auszudrücken. Um die Belastungen des Bauteils zu berechnen, nutzt man anschließend (...)

Formoptimierung

In June 2019 Gudrun talked with <a href="https://www.ees.hs-offenburg.de/nc/team/personendetailseite/lsf/1550/122/">Serena Carelli</a>. Serena is member of the Research Training Group (RTG) <a href="http://www.simet.kit.edu/">Simet</a>, which is based in Karlsruhe, <a href="http://www.hiu-batteries.de/batterieforschungszentrum-in-deutschland/forschung/theorie/multiphysikalische-modellierung/">Ulm</a> and <a href="https://www.ees.hs-offenburg.de/">Offenburg</a>. It started its work in 2017 and Gudrun is associated postdoc therein. The aim of that graduate school is to work on the better understanding of <a href="https://en.wikipedia.org/wiki/Lithium-ion_battery">Lithium-ion batteries</a>. For that it covers all scales, namley from micro (particles), meso (electrodes as pairs) to macro (cell) and involves scientists from chemistry, chemical engineering, material sciences, electro engineering, physics and mathematics. The group covers the experimental side as well as modeling and computer simulations. Serena is one of the PhD-students of the program. She is based in Offenburg in the group of <a href="https://mv.hs-offenburg.de/nc/ansprechpartner/personen-detail-seite-lsf-cache/lsf/891/10/1718/">Wolfgang Bessler</a> (the deputy speaker of the RTG). Her research focusses on End-of-life prediction of a lithium-ion battery cell by studying the mechanistic ageing models of the graphite electrode among other things. Mathematical modelling and numerical simulation have become standard techniques in Li-ion battery research and development, with the purpose of studying the issues of batteries, including performance and ageing, and consequently increasing the model-based predictability of life expectancy. Serena and others work on an electrochemical model of a graphite-based lithium-ion cell that includes combined ageing mechanisms: <ol><li> Electrochemical formation of the solid electrolyte interphase (SEI) at the anode, </li><li> breaking of the SEI due to mechanical stress from volume changes of the graphite particles, causing accelerated SEI growth, </li><li> gas formation and dry-out of the electrodes, </li><li> percolation theory for describing the loss of contact of graphite particles to the liquid electrolyte,</li><li> formation of reversible and irreversible Li plating.</li></ol> The electrochemistry is coupled to a multi-scale heat and mass transport model based on a pseudo-3D approach. A time-upscaling methodology is developed that allows to simulate large time spans (thousands of operating hours). The combined modeling and simulation framework is able to predict calendaric and cyclic ageing up to the end of life of the battery cells. The results show a qualitative agreement with ageing behavior known from experimental literature. Serena has a Bachelor in Chemistry and a Master's in <a href="https://en.wikipedia.org/wiki/Forensic_chemistry">Forensic Chemistry</a> from the <a href="https://en.wikipedia.org/wiki/University_of_Turin">University of Torino</a>. She worked in Spain, the <a href="https://en.wikipedia.org/wiki/Polytechnic_University_of_Turin">Politécnico de Torino</a> and in Greece (there she was <a href="https://de.wikipedia.org/wiki/Marie-Sklodowska-Curie-Ma%C3%9Fnahmen">Marie Curie fellow</a> at the <a href="https://www.forth.gr/">Foundation for Research and Technology - Hellas</a>) before she decided to spend time in Australia and India. <h2>References</h2> <ul><li> <a href="https://de.linkedin.com/in/serena-carelli-1a71303b">Serena's Linked in site</a></li><li> <a href="http://www.itwm.fraunhofer.de/fileadmin/ITWM-Media/Zentral/Pdf/Berichte_ITWM/2010/bericht_195.pdf">A. Latz &amp; J. Zausch: Thermodynamic consistent transport theory of Li-ion batteries</a>, Journal of Power Sources 196 3296--3302, 2011.</li><li> <a href="https://kops.uni-konstanz.de/bitstream/handle/123456789/24141/Seger_241413.pdf?sequence=1&amp;isAllowed=y">T. Seger: Elliptic-Parabolic Systems with Applications to Lithium-Ion Battery Models</a>, Doktorarbeit Universität Konstanz, 2013.</li><li> <a href="http://onlinelibrary.wiley.com/doi/10.1002/er.3459/full">M. Kespe &amp; H. Nirschl: Numerical simulation of lithium-ion battery performance considering electrode microstructure</a>, International Journal of Energy Research 39 2062-2074, 2015.</li><li> <a href="http://www.nature.com/nature/journal/v414/n6861/abs/414359a0.html">J.-M. Tarascon &amp; M. Armand: Issues and challenges facing rechargeable lithium batteries</a>, Nature 414 359-367, 2001.</li><li> <a href="https://www.ees.hs-offenburg.de/fileadmin/Einrichtungen/ines/images/1_Institut/03_Forschungsgruppen/Bessler_2018_fif.pdf">W.G. Bessler: Elektrische Energiespeicherung mit Batterien und Brennstoffzellen</a>, Forschung im Fokus, Hochschule Offenburg (2018). </li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://omegataupodcast.net/222-batterien/">A. Jossen: Batterien</a>, Gespräch mit Markus Völter im Omega Tau Podcast, Folge 222, 2016.</li><li> <a href="http://www.pkm.kit.edu/kitaudio.php">J. Holthaus: Batterien für morgen und übermorgen</a>, KIT.Audio Podcast, Folge 2, 2016.</li><li> <a href="http://proton-podcast.de/2016/12/07/proton015-elektrochemie-laser-radio/">D. Breitenbach, U. Gebhardt, S. Gaedtke: Elektrochemie, Laser, Radio</a>, Proton Podcast, Folge 15, 2016.</li><li> <a href="http://modellansatz.de/akkumulatoren">M. Maier: Akkumulatoren</a>, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 123, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. </li><li> <a href="http://modellansatz.de/optimale-akkuladung">V. Auinger: Optimale Akkuladung</a>, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 160, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. </li></ul>

Modellansatz 211

In June 2019 Gudrun talked with Serena Carelli. Serena is member of the Research Training Group (RTG) Simet, which is based in Karlsruhe, Ulm and Offenburg. It started its work in 2017 and Gudrun is associated postdoc therein. The aim of that graduate school is to work on the better understanding of Lithium-ion batteries. For that it covers all scales, namley from micro (particles), meso (electrodes as pairs) to macro (cell) and involves scientists from chemistry, chemical engineering, material sciences, electro engineering, physics and mathematics. The group covers the experimental side as well as modeling and computer simulations. Serena is one of the PhD-students of the program. She is based in Offenburg in the group of Wolfgang Bessler (the deputy speaker of the RTG). Her research focusses on End-of-life prediction of a lithium-ion battery cell by studying the mechanistic ageing models of the graphite electrode among other things. Mathematical modelling and numerical simulation have become standard techniques in Li-ion battery research and development, with the purpose of studying the issues of batteries, including performance and ageing, and consequently increasing the model-based predictability of life expectancy. Serena and others work on an electrochemical model of a graphite-based lithium-ion cell that includes combined ageing mechanisms: 1. Electrochemical formation of the solid electrolyte interphase (SEI) at the anode, 2. breaking of the SEI due to mechanical stress from volume changes of the graphite particles, causing accelerated SEI growth, 3. gas formation and dry-out of the electrodes, 4. percolation theory for describing the loss of contact of graphite particles to the liquid electrolyte, 5. formation of reversible and irreversible Li plating. The electrochemistry is coupled to a multi-scale heat and mass transport model based on a pseudo-3D approach. A time-upscaling methodology is developed that allows to simulate large time spans (thousands of operating hours). The combined modeling and simulation framework is able to predict calendaric and cyclic ageing up to the end of life of the battery cells. The results show a qualitative agreement with ageing behavior known from experimental literature. Serena has a Bachelor in Chemistry and a Master's in Forensic Chemistry from the University of Torino. She worked in Spain, the Politécnico de Torino and in Greece (there she was Marie Curie fellow at the Foundation for Research and Technology - Hellas) before she decided to spend time in Australia and India.

Batteries

Gudrun spricht mit Lydia Wagner über Elastoplastizität. Lydia hat im Rahmen ihrer im Mai 2019 abgeschlossenen Promotion Versetzungen in <a href="https://de.wikipedia.org/wiki/Kristallin">kristallinen</a> Festkörpern numerisch simuliert. <a href="https://de.wikipedia.org/wiki/Elastizit%C3%A4t_(Physik)">Elastizität</a> beschreibt die (<a href="https://de.wikipedia.org/wiki/Verformung#Reversible_elastische_Verformung">reversible</a>) Verformung von Festkörpern unter Belastung. Bei zu großer Belastung reagieren Materialien nicht mehr elastisch, sondern es entstehen irreversible Deformationen. Das nennt man <a href="https://de.wikipedia.org/wiki/Plastizit%C3%A4t_(Physik)">Plastizität</a>. Im Rahmen der Kontinuumsmechanik wird die Deformation durch ein Kräftegleichgewicht basierend auf der <a href="https://de.wikipedia.org/wiki/Impulserhaltungssatz">Impuls- und Drehimpulserhaltung</a> modelliert. Die konkreten Eigenschaften des Materials werden hierbei über eine spezifische <a href="https://de.wikipedia.org/wiki/Spannungs-Dehnungs-Diagramm">Spannungs-Dehnungs-Relation</a> berücksichtigt. Dabei tritt <a href="https://de.wikipedia.org/wiki/Plastizität_(Physik)">Plastizität</a> auf, wenn im Material eine kritische Spannung erreicht wird. In klassischen phänomenologischen Plastizitätsmodellen der <a href="https://de.wikipedia.org/wiki/Kontinuumsmechanik">Kontinuumsmechanik</a> wird dieses Verhalten über eine Fließbedingung in Abhängigkeit der Spannung modelliert. Diese wird durch eine Fließregel und ggf. eine Verfestigungsregel ergänzt, die das plastische Materialverhalten nach Erreichen der Fließgrenze beschreiben. Plastizität ist ein physikalischer Prozess, der auf Kristallebene stattfindet. Ein kristalliner Festkörper wird plastisch verformt, wenn sich eindimensionale Gitterfehler – Versetzungen – durch Belastung im Kristallgitter bewegen, d. h. wenn sich die atomaren Bindungen umordnen. Durch Mittelungsprozesse kann dieses diskrete Verhalten in einem Kontinuumsmodell, dem Continuum dislocation dynamics (CDD) Modell, beschrieben werden. Eine numerische Realisierung von diesem erweiterten Modell und die Evaluation im Vergleich zu diskreten Simulationen ist die Themenstellung der Dissertation von Lydia. Die Physik erarbeitete sich Lydia in Zusammenarbeit mit Materialwissenschaftlern und Ingenieuren in der <a href="http://www.for1650.kit.edu/index.php">DFG-Forschergruppe Dislocation based Plasticity</a> am KIT. <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="http://www.mathematik.uni-karlsruhe.de/user/~wieners/Plastizitaet.pdf">C. Wieners: Effiziente numerische Methoden in der Elasto-Plastizität</a>, Vortragsfolien.</li><li> <a href="https://services.bibliothek.kit.edu/primo/start.php?recordid=KITSRC475492285">P.M. Anderson, J.P. Hirth, J. Lothe: Theory of dislocations</a> Cambridge University Press, New York, 2017, ISBN: 978-0-521-86436-7</li><li> <a href="https://doi.org/10.1016/j.jmps.2013.09.012">T. Hochrainer et al.: Continuum dislocation dynamics: Towards a physical theory of crystal plasticity</a> Journal of the Mechanics and Physics of Solids, 63, 167–178,2014. doi:10.1016/j.jmps.2013.09.012</li><li> <a href="https://doi.org/10.1016/j.ijplas.2019.05.003">K. Schulz, L. Wagner and C. Wieners: A mesoscale continuum approach of dislocation dynamics and the approximation by a Runge-Kutta discontinuous Galerkin method</a> International Journal of Plasticity. doi:10.1016/j.ijplas.2019.05.003</li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/poroelastische-medien">J. Fröhlich: Poroelastische Medien</a>, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 156, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. </li><li> <a href="http://modellansatz.de/bezier-stabwerke">A. Rick: Bézier Stabwerke</a>, Gespräch mit S. Ritterbusch im Modellansatz Podcast, Folge 141, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. </li><li> <a href="http://modellansatz.de/metallschaum">A. August: Materialschaum</a> Gespräch mit S. Ritterbusch im Modellansatz Podcast, Folge 037, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014. </li></ul>

Modellansatz 210

Gudrun spricht mit Lydia Wagner über Elastoplastizität. Lydia hat im Rahmen ihrer im Mai 2019 abgeschlossenen Promotion Versetzungen in kristallinen Festkörpern numerisch simuliert. Elastizität beschreibt die (reversible) Verformung von Festkörpern unter Belastung. Bei zu großer Belastung reagieren Materialien nicht mehr elastisch, sondern es entstehen irreversible Deformationen. Das nennt man Plastizität. Im Rahmen der Kontinuumsmechanik wird die Deformation durch ein Kräftegleichgewicht basierend auf der Impuls- und Drehimpulserhaltung modelliert. Die konkreten Eigenschaften des Materials werden hierbei über eine spezifische Spannungs-Dehnungs-Relation berücksichtigt. Dabei tritt Plastizität auf, wenn im Material eine kritische Spannung erreicht wird. In klassischen phänomenologischen Plastizitätsmodellen der Kontinuumsmechanik wird dieses Verhalten über eine Fließbedingung in Abhängigkeit der Spannung modelliert. Diese wird durch eine Fließregel und ggf. eine Verfestigungsregel ergänzt, die das plastische Materialverhalten nach Erreichen der Fließgrenze beschreiben. Plastizität ist ein physikalischer Prozess, der auf Kristallebene stattfindet. Ein kristalliner Festkörper wird plastisch verformt, wenn sich eindimensionale Gitterfehler – Versetzungen – durch Belastung im Kristallgitter bewegen, d. h. wenn sich die atomaren Bindungen umordnen. Durch Mittelungsprozesse kann dieses diskrete Verhalten in einem Kontinuumsmodell, dem Continuum dislocation dynamics (CDD) Modell, beschrieben werden. Eine numerische Realisierung von diesem erweiterten Modell und die Evaluation im Vergleich zu diskreten Simulationen ist die Themenstellung der Dissertation von Lydia. Die Physik erarbeitete sich Lydia in Zusammenarbeit mit Materialwissenschaftlern und Ingenieuren in der DFG-Forschergruppe Dislocation based Plasticity am KIT.

Elastoplastizität

Gudrun spricht in dieser Folge mit <a href="https://scicom.math.uni-mannheim.de/de/team/prof-dr-simone-goettlich/">Simone Göttlich</a> über Verkehrsoptimierung. Die Verabredung zum Gespräch war im März am Rande einer Tagung in Bonn erfolgt. Am 23. Mai 2019 war Gudrun dann einen Tag zu Gast in der Arbeitsgruppe von Simone an der Universität in Mannheim. Im Sport starten sie gemeinsam unter dem doppeldeutigen Namen "Team Göttlich". Verkehr erleben wir täglich zu Fuß, im Auto, auf dem Fahrrad oder im ÖPNV. Wir haben oft das Gefühl, dass einiges besser geregelt sein könnte, um den Verkehrsfluss zu verbessern. In der Stadt vermischen sich viele unterschiedliche Fragen sehr komplex, da viele unterschiedliche Verkehrsmittel um den Raum konkurrieren. Auf der Autobahn kann man sich auf den Autoverkehr konzentrieren. Aber auch dort muss das unterschiedliche Verhalten von schnell fahrenden Autos und langsamen Lastwagen berücksichtigt werden. Außerdem beeinflussen auch Auf- und Abfahrten die Durchlässigkeit der Autobahnspuren. Es gibt also viele Fragen und Probleme im Zusammenhang mit Verkehr. Ihre Beantwortung kann allen das Leben erleichtern und Kosten erheblich senken. Das Gespräch mit Simone beginnt beim Thema Daten. Wie viele Autos, Personen und Fahrräder bestimmte Strecken zu bestimmten Zeiten nutzen, wird stichprobenhaft recht genau gezählt. Zu einigen Zeiten fließt der Verkehr gut, aber z.B. zur sogenannten Rushhour kommt er ins stocken. Die gezählten Daten fließen in <a href="https://de.wikipedia.org/wiki/Verkehrsmodell_(Verkehrsplanung)">Verkehrsprognosemodelle</a> beispielsweise für <a href="https://de.wikipedia.org/wiki/Routenplaner">Routenplanung</a> ein. Wir rufen dann einfach eine App auf und lassen uns die besten Routen vorschlagen. Für jede wird von der App eine voraussichtliche Reisedauer geschätzt. Für Autobahnverkehr werden außerdem auch ganz aktuelle Daten ergänzt. Um gemeldete Staus aber auch um die Verkehrsdichte auf besonders wichtigen Autobahnabschnitten, wo das automatisiert beobachtet wird. Als ein Beispiel dient im Gespräch von Gudrun und Simone die Autobahn A5 in der Nähe von Frankfurt, wo schon lange Jahre eine Anzeige gute Dienste leistet, die bei Einfahrt in den Ballungsraum die aktuell zu erwartende Fahrtzeit zu markanten Punkten wie beispielsweise dem Flughafen angibt. Als jemand, der sein Flugzeug erreichen muss, kann man dann ruhiger durch den dichten Verkehr reisen und sich an die reduzierte Höchstgeschwindigkeit halten, da man Planungssicherheit hat. Als Nebeneffekt senkt dies die Unfallwahrscheinlichkeit, weil auf hektische Überholmanöver verzichtet wird. Effekte, die man mit Verkehrsflußmodellen simulieren möchte sind erwartbare Engpässe beim Einziehen von Fahrspuren oder auch der sogenannte <a href="https://de.wikipedia.org/wiki/Stau_aus_dem_Nichts">Stau aus dem Nichts</a>, der bei hoher Verkehrsdichte auftreten kann. Wir alle wissen, dass auf Autobahnen Geschwindigkeitseinschränkungen auf Baustellen vorbereiten, um das Einfädeln der Spuren zu vereinfachen. Wenn der Verkehr dicht genug ist, breitet sich die Störung, die beim Einfädeln entsteht, entgegen der Fahrtrichtung wie eine <a href="https://de.wikipedia.org/wiki/Sto%C3%9Fwelle">Schockwelle</a> aus. Das ist eine Beobachtung, die sicher alle schon einmal gemacht haben. Für das Modell heißt das aber, dass es geeignet sein muss Schockwellen als Lösungen zuzulassen. Traditionell gibt es sogenannte <a href="https://de.wikipedia.org/wiki/Mikroskopisch_und_makroskopisch">mikroskopische und makroskopische Modelle</a> für Verkehr. In den Ersteren schaut man die Fahrzeuge einzeln in ihrem typischen Verhalten an. Die Modelle beruhen auf der Idee des <a href="https://de.wikipedia.org/wiki/Zellul%C3%A4rer_Automat">zellulären Automaten</a>. In den makroskopischen Modellen sieht man als wesentlichen Vorgang das Fließen und charakterisiert das Verkehrsgeschehen mit den Variablen <a href="https://de.wikipedia.org/wiki/Dichte">Dichte</a> und <a href="https://de.wikipedia.org/wiki/Fluss_(Physik)">Fluss</a>. Man kann recht schnell ein erstes Modell aufstellen, indem man folgende elementare Beobachtungen: <ol><li> wenn kein Verkehr ist, ist der Fluß Null (Dichte Null -&gt; Fluß Null)</li><li> wenn die Dichte maximal ist, stehen alle im Stau und der Fluß Null</li></ol>mit Hilfe einer konkaven Funktion des Flusses in Abhängigkeit von der Dichte verbindet. Diese hat ein Maximum für eine gewisse Dichte. Die entspricht auch einer Geschwindigkeit des Verkehrsgeschehens, die man mit Bezug auf den besten Fluß als Optimum ansehen kann. Komplexere Modelle nehmen die Masseerhaltung als Grundlage (Autos bleiben in der Summe erhalten) und führen auf die sogenannte Transportgleichung, die hyperbolisch ist. <a href="https://de.wikipedia.org/wiki/Partielle_Differentialgleichung#Hyperbolische_partielle_Differentialgleichungen">Hyperbolische Gleichungen</a> haben auch unstetige Lösungen, was dem Verkehrsgeschehen entspricht, aber ihre Behandlung schwieriger macht. In der Numerik muss auf die besonderen Eigenschaften Rücksicht genommen werden. Das erfolgt beispielsweise über die sogenannte <a href="https://de.wikipedia.org/wiki/CFL-Zahl">CFL-Bedingung</a>, die Zeit- und Raumdiskretisierung koppelt. Oder man benutzt <a href="https://de.wikipedia.org/wiki/Finite-Volumen-Verfahren#1D_Beispiel">Upwind-Schemata für finite Differenzen</a>. Am besten angepasst an hyperbolische Probleme sind jedoch <a href="https://de.wikipedia.org/wiki/Finite-Volumen-Verfahren">Finite Volumen Verfahren</a>. Sie arbeiten mit der Approximation des Flusses über deren Ränder von Zellen. Simone hat <a href="https://www.mathematik.tu-darmstadt.de/studium/angebot/studiengaenge/msc/index.de.jsp#studienrichtung_wirtschaftsmathematik">Wirtschaftsmathematik in Darmstadt</a> studiert und anschließend in <a href="https://www.mathematik.uni-kl.de">Kaiserslautern</a> promoviert. Als Akademische Rätin blieb sie einige Jahre in Kaiserslautern und hat sich dann dort auch habilitiert. Seit 2011 ist sie Mathematikprofessorin an der Universität Mannheim am <a href="https://www.uni-mannheim.de/datascience/ueber-uns/zentren/fakultaet-fuer-wirtschaftsinformatik-und-wirtschaftsmathematik/">Institut für Wirtschaftsinformatik und Wirtschaftsmathematik</a>. <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="https://arxiv.org/abs/1903.06744">J. Kötz, O. Kolb, S. Göttlich - A combined first and second order traffic network model</a> - preprint, March 2019.</li><li> <a href="https://www.aimsciences.org/article/doi/10.3934/nhm.2019011">M. Burger, S. Göttlich, T. Jung - Derivation of second order traffic flow models with time delays</a> Networks and Heterogeneous Media, Vol. 14(2), pp. 265-288, 2019.</li><li> <a href="https://www.springer.com/de/book/9783540342984">U. Clausen, C. Geiger: Verkehrs- und Transportlogistik</a> VDI-Buch, 2013. ISBN 978-3-540-34299-1</li><li> <a href="https://www.verkehrsdynamik.de/">M. Treiber, A. Kesting: Verkehrsdynamik</a> Springer, 2010. ISBN 978-3-642-32459-8</li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/verkehrsmodellierung-i">P. Vortisch, G. Thäter: Verkehrsmodellierung I</a>, Gespräch im Modellansatz Podcast, Folge 93, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. </li><li> <a href="http://modellansatz.de/verkehrswesen">U. Leyn, G. Thäter: Verkehrswesen</a>, Gespräch im Modellansatz Podcast, Folge 88, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. </li><li> <a href="http://modellansatz.de/oepnv">K. Nökel, G. Thäter: ÖPNV</a>, Gespräch im Modellansatz Podcast, Folge 91, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. </li><li> <a href="http://modellansatz.de/fussgaengermodelle">T. Kretz, G. Thäter: Fußgängermodelle</a>, Gespräch im Modellansatz Podcast, Folge 90, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. </li></ul>

Modellansatz 209

Gudrun spricht in dieser Folge mit Simone Göttlich über Verkehrsoptimierung. Die Verabredung zum Gespräch war im März am Rande einer Tagung in Bonn erfolgt. Am 23. Mai 2019 war Gudrun dann einen Tag zu Gast in der Arbeitsgruppe von Simone an der Universität in Mannheim. Im Sport starten sie gemeinsam unter dem doppeldeutigen Namen "Team Göttlich". Verkehr erleben wir täglich zu Fuß, im Auto, auf dem Fahrrad oder im ÖPNV. Wir haben oft das Gefühl, dass einiges besser geregelt sein könnte, um den Verkehrsfluss zu verbessern. In der Stadt vermischen sich viele unterschiedliche Fragen sehr komplex, da viele unterschiedliche Verkehrsmittel um den Raum konkurrieren. Auf der Autobahn kann man sich auf den Autoverkehr konzentrieren. Aber auch dort muss das unterschiedliche Verhalten von schnell fahrenden Autos und langsamen Lastwagen berücksichtigt werden. Außerdem beeinflussen auch Auf- und Abfahrten die Durchlässigkeit der Autobahnspuren. Es gibt also viele Fragen und Probleme im Zusammenhang mit Verkehr. Ihre Beantwortung kann allen das Leben erleichtern und Kosten erheblich senken. Das Gespräch mit Simone beginnt beim Thema Daten. Wie viele Autos, Personen und Fahrräder bestimmte Strecken zu bestimmten Zeiten nutzen, wird stichprobenhaft recht genau gezählt. Zu einigen Zeiten fließt der Verkehr gut, aber z.B. zur sogenannten Rushhour kommt er ins stocken. Die gezählten Daten fließen in Verkehrsprognosemodelle beispielsweise für Routenplanung ein. Wir rufen dann einfach eine App auf und lassen uns die besten Routen vorschlagen. Für jede wird von der App eine voraussichtliche Reisedauer geschätzt. Für Autobahnverkehr werden außerdem auch ganz aktuelle Daten ergänzt. Um gemeldete Staus aber auch um die Verkehrsdichte auf besonders wichtigen Autobahnabschnitten, wo das automatisiert beobachtet wird. Als ein Beispiel dient im Gespräch von Gudrun und Simone die Autobahn A5 in der Nähe von Frankfurt, wo schon lange Jahre eine Anzeige gute Dienste leistet, die bei Einfahrt in den Ballungsraum die aktuell zu erwartende Fahrtzeit zu markanten Punkten wie beispielsweise dem Flughafen angibt. Als jemand, der sein Flugzeug erreichen muss, kann man dann ruhiger durch den dichten Verkehr reisen und sich an die reduzierte Höchstgeschwindigkeit halten, da man Planungssicherheit hat. Als Nebeneffekt senkt dies die Unfallwahrscheinlichkeit, weil auf hektische Überholmanöver verzichtet wird. Effekte, die man mit Verkehrsflußmodellen simulieren möchte sind erwartbare Engpässe beim Einziehen von Fahrspuren oder auch der sogenannte Stau aus dem Nichts, der bei hoher Verkehrsdichte auftreten kann. Wir alle wissen, dass auf Autobahnen Geschwindigkeitseinschränkungen auf Baustellen vorbereiten, um das Einfädeln der Spuren zu vereinfachen. Wenn der Verkehr dicht genug ist, breitet sich die Störung, die beim Einfädeln entsteht, entgegen der Fahrtrichtung wie eine Schockwelle aus. Das ist eine Beobachtung, die sicher alle schon einmal gemacht haben. (...)

Verkehrsoptimierung

Modellansatz 208

Vom 30. Mai - 2. Juni 2019 fand im ZKM und in der Hochschule für Gestaltung (HfG) die GPN19 statt. Dort traf Sebastian auf Carina Haupt, die schon auf der GPN18 von der öffentlich finanzierten Wissenschaft forderte: Publish Your Research! Carina Haupt studierte Informatik an der Hochschule Bonn-Rhein-Sieg. Aktuell befasst Sie sich wissenschaftlich mit Forschungssoftware, die meist von Wissenschaftlerinnen und Wissenschaftlern nur geringfügiger Kenntnis von Softwaretechnik oder unter Aspekten von Nachhaltigkeit entwickelt wird, da die Software nur als Mittel zum Zweck gesehen wird. Ziel der Wissenschaftlerinnen und Wissenschaftlern ist es schließlich Forschung zu betreiben und nicht Software zu entwickeln. Dabei zeigt die anhaltende Replication Crisis, die darin besteht, dass etliche publizierte wissenschaftliche Arbeiten nicht reproduzierbar sind, und somit alle abgeleiteten Arbeiten auf unsicheren Füßen stehen und eigentlich unter den geänderten Voraussetzungen wiederholt werden müssten. Eine Herausforderung ist, dass für viele Forschende, wie beispielsweise in der Mathematik, oft die Software nur zur Verifikation der eigentlichen wissenschaftlichen Aussagen verwendet wird, und daher eine deutlich geringere Wertschätzung erfährt. Auch wird ein Reputationsverlust befürchtet, wenn die Softwarequalität nicht den Ansprüchen im Kernbereich der Forschung entspricht, so dass oft von einer veröffentlichung des Source Codes und der Daten abgesehen wird. Dabei muss die Offenlegung der verwendeten Verfahren und Daten ein Grundanliegen ernsthafter Forschung sein und eine Kennzeichnung von Software beispielsweise als Proof-of-Concept sollte einen angemessenen Anspruch an die Software sicherstellen. Am Deutschen Zentrum für Luft- und Raumfahrt (DLR), leitet Carina eine Gruppe zum Software Engineering und ist dort mit ihren Kolleginnen und Kollegen für 40 Institute an 20 Standorten Ansprech- und Kooperationspartnerin für Softwareentwicklung unter anderem im wissenschaftlichen Umfeld von Luft- und Raumfahrt, Energie und Verkehr. Inzwischen ist dort ihr Enthusiasmus für Open Source, und Forschenden in der Softwareentwicklung zu unterstützen, zu ihrem eigenen Forschungsgebiet geworden. Bevor sie zum DLR kam, war sie beim Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen (SCAI) im Bereich der Bioinformatik und dem Semantic Web, sowie in der Industrie und nebenberuflich bei der Froscon tätig, bis sie dem Ruf von Andreas Schreiber in ihre aktuelle Gruppe folgte. Um Außenstehenden einen schnellen und sehr unterhaltsamen Einstieg in und wichtige Motivation für das Software Engineering bei der DLR zu bieten, hat sie auf der GPN18 einen Vortrag Software-Fehler in der Raumfahrt: Disintegrating Rockets mit großem Anklang gehalten. Aber kann die Publikation von Forschungsdaten bei Auswirkungen der Replikationskrise wie der Analyse, dass über die Hälfte von Psychologiepapern nicht nachvollzogen werden können, helfen? (...)

Research Software Engineering

Auf der <a href="https://entropia.de/GPN19">Gulaschprogrammiernacht 2019</a> traf Sebastian auf den Podcaster <a href="https://anchor.fm/philipp-packmohr">Data Science Phil</a> Philipp Packmohr <a href="https://twitter.com">@PPackmohr</a>. Sein Interesse zur <a href="https://de.wikipedia.org/wiki/Data_Science">Data Science</a> entstand während seines Studiums in den <a href="https://de.wikipedia.org/wiki/Biowissenschaften">Life Sciences</a> an der <a href="https://www.hs-furtwangen.de">Hochschule Furtwangen</a> in den Bereichen der <a href="https://www.hs-furtwangen.de/studiengaenge/molekulare-und-technische-medizin-bachelor/">molekularen und technischen Medizin</a> und zu <a href="https://www.hs-furtwangen.de/studiengaenge/precision-medicine-diagnostics-master/">Medical Diagnostic Technologies</a>. In seiner Masterarbeit hat er sich betreut von <a href="http://www.stamats.de">Prof. Dr. Matthias Kohl</a> mit der statistischen Aufbereitung von <a href="https://de.wikipedia.org/wiki/Beobachtungsstudie">Beobachtungsstudien</a> befasst, genauer mit der kausalen Inferenz aus Observationsdaten mit <a href="https://en.wikipedia.org/wiki/Propensity_score_matching">Propensity Score Matching</a> Algorithmen. Kausale Inferenz, das Schließen von Beobachtungen auf kausale Zusammenhänge, ist tatsächlich sehr wichtig in allen empirischen Wissenschaften wie zum Beispiel der Ökonomie, der Psychologie, der Politologie, der Soziologie und auch der Medizin. Idealerweise sollten Studien in der Form von <a href="https://de.wikipedia.org/wiki/Randomisierte_kontrollierte_Studie">randomisierten kontrollierten Studien</a> durchgeführt werden, da nur so eine bewusste oder unbewusste Einflussnahme auf den Ergebnisse verhindert werden kann. Beispielsweise leiden Evaluationen an Hochschulen am Ende von Vorlesungen oder Studiengängen oft unter einem <a href="https://de.wikipedia.org/wiki/Survivorship_Bias">Survivorship Bias</a>, da nur noch die Personen befragt werden, die bis zum Ende durchgehalten haben. Doch werden nicht alle Studien aufgrund von verschiedenen Gründen (wie zum Beispiel der hohen Kosten) randomisiert durchgeführt, und so war es auch bei dem für seine Arbeit zentralen Observationsdatensatz von <a href="https://de.wikipedia.org/wiki/Konrad_Reinhart">Prof. Dr. Konrad Reinhart</a> an der <a href="https://www.uniklinikum-jena.de/kai/KAI/">Klinik für Intensivmedizin</a> vom <a href="https://www.uniklinikum-jena.de/">Universitätsklinikum Jena</a> zu Therapien zur Vermeidung von <a href="https://de.wikipedia.org/wiki/Akutes_Nierenversagen">akutem Nierenversagen</a>. Der Datensatz behandelte 21757 Patienten mit <a href="https://de.wikipedia.org/wiki/Sozialstruktur#Standard-Soziodemographische_Merkmale_zur_Beschreibung_der_Sozialstruktur">soziodemographischen</a> und biologischen Merkmalen aus der <a href="https://de.wikipedia.org/wiki/Elektronische_Gesundheitsakte">elektronischen Gesundheitsakte</a> mit bis zu 209 Variablen, sowie der gewählten Therapie und ob es zu Nierenversagen kam oder nicht. Die Variablen werden bei der Untersuchung als <a href="https://de.wikipedia.org/wiki/Störfaktor">Confounder, Störfaktoren</a> oder <a href="https://de.wikipedia.org/wiki/Kovarianzanalyse_(Statistik)">Kovariate</a> benannt, die nicht als ursächlich für den Therapieverlauf gesehen werden, aber diesen sowohl beeinflussen können. In einer nicht-randomisierten Studie werden die Confounder nicht gleichmäßig über die Therapiearten verteilt sein, und damit die zusammengefassten Ergebnisse unerwünscht verfälschen. Eine Aufbereitung anhand der Confounder kann aber nie eine völlig randomisierte Studie ersetzen, da in den Daten nicht auftretende Confounder, wie bespielsweise dem athletischen Status, nicht berücksichtigt werden können. Im <a href="https://en.wikipedia.org/wiki/Propensity_score_matching">Propensity Score Matching</a> werden nun die Erfolgsquoten von Therapien vereinfacht gesagt als durch einen Score gewichtete Erfolgsquote unter Berücksichtigung der aufgetretenen Häufigkeiten der Confounder zur erwarteten Häufigkeit der Confounder berechnet. Problematisch ist dabei der Umgang mit fehlenden Datenwerten, da nur ein Bruchteil der Datensätze wirklich alle Variablen definiert. Hier mussten sinnvolle Datenergänzungsverfahren eingesetzt werden. Die Auswertung erfolgte mit dem kostenlosen Open Source Projekt <a href="https://www.r-project.org">R (Plattform für statistische Berechnungen)</a>, das eine Vielzahl Verfahren und Algorithmen zur Verfügung stellt. Die im Laufe der Arbeit entwickelten Verfahren finden sich im <a href="https://github.com/philpackmohr/prop-score-analysis">Github Repository zu den Analyseverfahren</a>. Die Analyse des Observationsdatensatz ergab nun Risikoraten von 15.6% bis 11.5% für Nierenversagen. Dies muss aber nicht bedeuten, dass die eine Therapie immer der anderen Therapie vorzuziehen ist, da viele Kriterien für die Wahl einer Therapie einbezogen werden müssen. In der <a href="https://de.wikipedia.org/wiki/Personalisierte_Medizin">personalisierte oder prädiktiven Medizin</a> wird versucht, an Hand von Observationsanalysen sogar weitergehende Therapiehinweise in Abhängigkeit von Confoundern der einzelnen Patienten zu geben. Den Anstoß für den <a href="https://anchor.fm/philipp-packmohr">Data Science Phil Podcast</a> fand Philipp in einem Aufruf vom YouTuber <a href="https://www.youtube.com/channel/UCPtUzxTfdaxAmr4ie9bXZVA">Martin Jung</a>. Im englisch-sprachigen Podcast geht es um grundlegende Verfahren der Data Science, aber auch um weiterführende Themen, die er auf Konferenzen mit Gästen diskutiert. <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="http://doi.org/10.1093/biomet/70.1.41">P. R. Rosenbaum, D. B. Rubin, Donald B: The Central Role of the Propensity Score in Observational Studies for Causal Effects</a>, Biometrika. 70 (1): 41–55 , 1983.</li><li> <a href="https://www.cambridge.org/core/books/causality/B0046844FAE10CBF274D4ACBDAEB5F5B">J. Pearl: Causality: Models, Reasoning, and Inference </a>, Cambridge University Press, 2019.</li><li> <a href="http://dx.doi.org/10.18637/jss.v042.i08">D. Ho, K. Imai, G. King, E. Stuart: MatchIt - Nonparametric Preprocessing for Parametric Causal Inference</a>, Journal of Statistical Software, 42(8), 1 - 28, 2011.</li><li> <a href="https://cran.r-project.org/web/packages/MatchIt/">D. Ho, K. Imai, G. King, E. Stuart: MatchIt: Nonparametric Preprocessing for Parametric Causal Inference</a>, R-Module, 2018.</li><li> <a href="https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2943670/">E. A. Stuart: Matching Methods for Causal Inference: A review and a look forward</a>, Statistical Science 25(1): 1-21, 2010.</li><li> <a href="https://www.researchgate.net/profile/Philipp_Packmohr">Research Gate Profil von Philipp Packmohr</a></li><li> <a href="https://github.com/philpackmohr">Github Profil von Philipp Packmohr</a></li><li> <a href="https://www.science-days.de/science-days">Science Days im Europapark Rust</a></li><li> <a href="https://biostatsphil.wordpress.com/">Data Science Blog von Philipp Packmohr</a></li><li> <a href="http://www.stamats.de">stamats von Prof. Dr. Matthias Kohl</a></li></ul> <h2>Podcasts</h2> <ul><li> <a href="https://anchor.fm/philipp-packmohr">Data Science Phil Podcast</a></li><li> <a href="https://anchor.fm/philipp-packmohr/episodes/Artificial-Neural-Networks-e4adbm/a-agv3qq">P. Packmohr, S. Ritterbusch: Neural Networks</a>, Data Science Phil, Episode 16, 2019.</li><li> <a href="https://evidenzbasierte-pharmazie.podigee.io/45-ebpharm-magazin-im-september">I. Hinneburg: EbPharm-Magazin im September, Adjustierung in epidemiologischen Studien</a>, Podcast Evidenzbasierte Pharmazie, 2017.</li></ul> <h1>GPN19 Special</h1> <ul><li> <a href="https://anchor.fm/philipp-packmohr/episodes/Artificial-Neural-Networks-e4adbm/a-agv3qq">P. Packmohr, S. Ritterbusch: Neural Networks</a>, Data Science Phil, Episode 16, 2019.</li><li> <a href="http://modellansatz.de/propensity-score-matching">P. Packmohr, S. Ritterbusch: Propensity Score Matching</a>, Gespräch im Modellansatz Podcast, Folge 207, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. <a href="http://modellansatz.de/propensity-score-matching">http://modellansatz.de/propensity-score-matching</a></li></ul> <h1>GPN18 Special</h1> <ul><li> <a href="http://modellansatz.de/fpga-seitenkanaele">D. Gnad, S. Ritterbusch: FPGA Seitenkanäle</a>, Gespräch im Modellansatz Podcast, Folge 177, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. <a href="http://modellansatz.de/fpga-seitenkanaele">http://modellansatz.de/fpga-seitenkanaele</a> </li><li> <a href="http://modellansatz.de/flugunfaelle">B. Sieker, S. Ritterbusch: Flugunfälle</a>, Gespräch im Modellansatz Podcast, Folge 175, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. <a href="http://modellansatz.de/flugunfaelle">http://modellansatz.de/flugunfaelle</a> </li><li> <a href="http://modellansatz.de/erdbebensicheres-bauen">A. Rick, S. Ritterbusch: Erdbebensicheres Bauen</a>, Gespräch im Modellansatz Podcast, Folge 168, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. <a href="http://modellansatz.de/erdbebensicheres-bauen">http://modellansatz.de/erdbebensicheres-bauen</a> </li></ul> <h1>GPN17 Special</h1> <ul><li> <a href="https://podcast.chaospott.de/2017/05/28/sn004-gpn-17/">Sibyllinische Neuigkeiten: GPN17</a>, Folge 4 im Podcast des CCC Essen, 2017. </li><li> <a href="http://modellansatz.de/bezier-stabwerke">A. Rick, S. Ritterbusch: Bézier Stabwerke</a>, Gespräch im Modellansatz Podcast, Folge 141, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. <a href="http://modellansatz.de/bezier-stabwerke">http://modellansatz.de/bezier-stabwerke</a> </li><li> <a href="http://modellansatz.de/binary-analyis">F. Magin, S. Ritterbusch: Automated Binary Analysis</a>, Gespräch im Modellansatz Podcast, Folge 137, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. <a href="http://modellansatz.de/binary-analyis">http://modellansatz.de/binary-analyis</a> </li><li> <a href="http://modellansatz.de/smart-meter">M. Lösch, S. Ritterbusch: Smart Meter Gateway</a>, Gespräch im Modellansatz Podcast, Folge 135, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. <a href="http://modellansatz.de/smart-meter">http://modellansatz.de/smart-meter</a> </li></ul> <h1>GPN16 Special</h1> <ul><li> <a href="http://modellansatz.de/adiabatische-quantencomputer">A. Krause, S. Ritterbusch: Adiabatische Quantencomputer</a>, Gespräch im Modellansatz Podcast Folge 105, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. <a href="http://modellansatz.de/adiabatische-quantencomputer">http://modellansatz.de/adiabatische-quantencomputer</a> </li><li> <a href="http://modellansatz.de/finanzen-damalstm">S. Ajuvo, S. Ritterbusch: Finanzen damalsTM</a>, Gespräch im Modellansatz Podcast, Folge 97, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. <a href="http://modellansatz.de/finanzen-damalstm">http://modellansatz.de/finanzen-damalstm</a> </li><li> <a href="http://modellansatz.de/probabilistische-robotik">M. Fürst, S. Ritterbusch: Probabilistische Robotik</a>, Gespräch im Modellansatz Podcast, Folge 95, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. <a href="http://modellansatz.de/probabilistische-robotik">http://modellansatz.de/probabilistische-robotik</a> </li><li> <a href="http://modellansatz.de/incredible-proof-machine">J. Breitner, S. Ritterbusch: Incredible Proof Machine</a>, Gespräch im Modellansatz Podcast, Folge 78, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. <a href="http://modellansatz.de/incredible-proof-machine">http://modellansatz.de/incredible-proof-machine</a> </li></ul>

Modellansatz 207

Auf der Gulaschprogrammiernacht 2019 traf Sebastian auf den Podcaster Data Science Phil Philipp Packmohr @PPackmohr. Sein Interesse zur Data Science entstand während seines Studiums in den Life Sciences an der Hochschule Furtwangen in den Bereichen der molekularen und technischen Medizin und zu Medical Diagnostic Technologies. In seiner Masterarbeit hat er sich betreut von Prof. Dr. Matthias Kohl mit der statistischen Aufbereitung von Beobachtungsstudien befasst, genauer mit der kausalen Inferenz aus Observationsdaten mit Propensity Score Matching Algorithmen. Kausale Inferenz, das Schließen von Beobachtungen auf kausale Zusammenhänge, ist tatsächlich sehr wichtig in allen empirischen Wissenschaften wie zum Beispiel der Ökonomie, der Psychologie, der Politologie, der Soziologie und auch der Medizin. Idealerweise sollten Studien in der Form von randomisierten kontrollierten Studien durchgeführt werden, da nur so eine bewusste oder unbewusste Einflussnahme auf den Ergebnisse verhindert werden kann. Beispielsweise leiden Evaluationen an Hochschulen am Ende von Vorlesungen oder Studiengängen oft unter einem Survivorship Bias, da nur noch die Personen befragt werden, die bis zum Ende durchgehalten haben. Doch werden nicht alle Studien aufgrund von verschiedenen Gründen (wie zum Beispiel der hohen Kosten) randomisiert durchgeführt, und so war es auch bei dem für seine Arbeit zentralen Observationsdatensatz von Prof. Dr. Konrad Reinhart an der Klinik für Intensivmedizin vom Universitätsklinikum Jena zu Therapien zur Vermeidung von akutem Nierenversagen. Der Datensatz behandelte 21757 Patienten mit soziodemographischen und biologischen Merkmalen aus der elektronischen Gesundheitsakte mit bis zu 209 Variablen, sowie der gewählten Therapie und ob es zu Nierenversagen kam oder nicht. Die Variablen werden bei der Untersuchung als Confounder, Störfaktoren oder Kovariate benannt, die nicht als ursächlich für den Therapieverlauf gesehen werden, aber diesen sowohl beeinflussen können. In einer nicht-randomisierten Studie werden die Confounder nicht gleichmäßig über die Therapiearten verteilt sein, und damit die zusammengefassten Ergebnisse unerwünscht verfälschen. Eine Aufbereitung anhand der Confounder kann aber nie eine völlig randomisierte Studie ersetzen, da in den Daten nicht auftretende Confounder, wie bespielsweise dem athletischen Status, nicht berücksichtigt werden können. Im Propensity Score Matching werden nun die Erfolgsquoten von Therapien vereinfacht gesagt als durch einen Score gewichtete Erfolgsquote unter Berücksichtigung der aufgetretenen Häufigkeiten der Confounder zur erwarteten Häufigkeit der Confounder berechnet. Problematisch ist dabei der Umgang mit fehlenden Datenwerten, da nur ein Bruchteil der Datensätze wirklich alle Variablen definiert. Hier mussten sinnvolle Datenergänzungsverfahren eingesetzt werden. Die Auswertung erfolgte mit dem kostenlosen Open Source Projekt R (Plattform für statistische Berechnungen), (...)

Propensity Score Matching

Gudrun unterhält sich in dieser Folge mit <a href="https://www.itg.kit.edu/hilbert.php">Lennart Hilbert</a>, dem Leiter des <a href="http://hilbertlab.org/">Hilbert Labs</a> am KIT. Das Labor ist Teil des <a href="https://www.itg.kit.edu/">Instituts für Toxikologie und Genetik</a> (ITG), einem multidisziplinären Zentrum für biologische und chemische Forschung am KIT. Lennart Hilbert ist außerdem <a href="https://www.itg.kit.edu/hilbert.php">Juniorprofessor für Systembiologie/Bioinformatik</a> am <a href="https://www.zoo.kit.edu/index.php">Zoologischen Institut</a> des KIT. Das Thema von Lennarts Gruppe ist Computational Architectures in the Cell Nucleus. Das kann man auf zwei unterschiedliche Arten interpretieren. Einerseits untersucht Lennarts Gruppe den räumlichen Aufbau des Zellkerns mit Hilfe von Computern. Es heißt aber auch dass man aufgrund der dabei gewonnenen Erkenntnisse als Fernziel Datenverarbeitung mit Hilfe des Zellkernes als Informationsspeicher ermöglichen will. Gudrun und Lennart haben sich im Rahmen eines Treffens des KIT-Zentrums <a href="https://www.mathsee.kit.edu/index.php">MathSEE</a> kennengelernt, das im letzten Gespräch vorgestellt wurde. Mit der Hilfe von <a href="https://en.wikipedia.org/wiki/Super-resolution_microscopy">Super Auflösungs Mikroskopie</a> schauen Lennart und seine Gruppe in das Innere von <a href="https://de.wikipedia.org/wiki/Zellkern">Zellkernen</a> und sehen dabei dreidimensionale Bilder. Diese Bilder gleichen sie mit den Ergebnissen von den bisher standardmäßig durchgeführten Sequenzierexperimenten von <a href="https://de.wikipedia.org/wiki/Molekularbiologie">Molekularbiologen</a> ab. "Sehen" erfolgt mit empfindlichen Digitalkameras, deren Bilder geeignet gefiltert werden. Dabei ist eine einschränkende Randbedingung, dass die betrachteten Samples gegen Licht empfindlich sind, aber Licht für die visuelle Darstellung unabdingbar nötig ist - je kleiner die Details, desto mehr Licht. Man kann sich unschwer vorstellen, dass zur Bearbeitung diese Art von Fragen Informatik, Physik, Biologie und Mathematik nötig sind. Damit sich im Rahmen der Zusammenarbeit alle einbringen können, ist es hilfreich, wenn die Methoden einfach und die Ergebnisse visuell unmittelbar verständlich sind. Eine Grundannahme ist, dass die räumliche Organisation im Zellkern den Informationsflüssen aus der <a href="https://de.wikipedia.org/wiki/Nukleotidsequenz">DNA-Sequenz</a> entspricht. Die treibende Frage ist: Wie funktioniert Gensteuerung? Der betrachtete Regelkreis ist, dass die DNA als Bibliothek funktioniert. Aus einem Teil wird eine RNA-Kopie erstellt, sodass bestimmte Proteine hergestellt werden können. Diese Eiweiße aber steuern anschließend, welche Teile der DNA als nächstes gelesen werden (das schließt den Regelkreis). In der Systembiologie untersucht man dies bisher in Form von Differentialgleichungssystemen auf einer Metaebene. Wie das aber passiert ist aber noch relativ unklar. Die Hoffnung ist: Neues Sehen hilft hier, neues zu lernen und hierfür ist neueste Technik hilfreich. Die Molekulare Ebene ist der Teil der Biologie, wo im Moment am meisten Neues passiert. Lennart hat in Bremen Physik studiert und anschließend an der <a href="https://www.mcgill.ca/">McGill University</a> in Montréal in Physiologie promoviert. Hier hat er zum ersten Mal zwischen Theorie und Experiment in zwei Gruppen gleichzeitig gearbeitet. In Dresden am <a href="https://www.csbdresden.de/">Zentrum für Systembiologie</a> (<a href="https://www.mpi-cbg.de/de/institut/ueber-uns/center-for-systems-biology/">Max Planck Institut für Molekulare Zellbiolgie und Genetik</a> und <a href="https://www.pks.mpg.de/de/">Max Planck Institut für die Physik komplexer Systeme</a>) konnte er als Postdoc weiterhin interdisziplinär arbeiten. Seit 2018 ist er am KIT tätig. Lennart und seine Gruppe arbeiten mit <a href="https://de.wikipedia.org/wiki/Zebrabärbling">Zebrafischen</a>, Bakterienstämmen, Zeitreihenanalyse und anderen mathematischen Modellen. Sie benötigen hoch parallele Simulationen und Machine Learning (z.B. um Mikroskopie-Daten zu entrauschen und mehr Farben gleichzeitig darzustellen). Lennart drückt es im Gespräch so aus: "Ich hab keine Disziplin mehr, ich habe nur noch Fragen." Die beiden Teile seiner Arbeit unterscheiden sich stark: Im Labor sind Gruppentreffen nötig, weil alle aufeinander angewiesen sind. Es wird viel geredet und präzise Handarbeit ist wichtig. In der theoretischen Arbeit ist man auf sich selbst angewiesen und es gibt weniger Interaktion. <img class="imgcenter" src="http://www.math.kit.edu/ianm4/seite/ma-zellkerne/media/zebrafish.gif" alt="Zebrafish blastula nucleus, DNA label is Hoechst 33342, single optical section" title="Zebrafish blastula nucleus, DNA label is Hoechst 33342, single optical section" /> Any doubts #activematter is a relevant framework to understand nuclear and chromatin organization? Please look at this time-lapse. Zebrafish blastula nucleus, DNA label is Hoechst 33342, single optical section, recorded last night using @VisiTech_UK iSIM. <a href="https://twitter.com/LennartHilbert/status/1106890129510187009/photo/1">@LennartHilbert, 16.3.2019</a> <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="https://www.biorxiv.org/content/10.1101/601393v1">Y. Sate e.a.: Quantitative measurements of chromatin modification dynamics during zygotic genome activation</a>, bioRxiv preprint, 2019.</li><li> <a href="https://iopscience.iop.org/article/10.1088/1478-3975/10/2/026001/meta">Lennart Hilbert: Stress-induced hypermutation as a physical property of life, a force of natural selection and its role in four thought experiments.</a> Physical Biology 10(2):026001, 2013</li><li> <a href="https://www.facebook.com/portraitofscience/posts/2100676033292783?__tn__=K-R">Portrait of Science über Lennart</a> Teil 1</li><li> <a href="https://www.facebook.com/portraitofscience/posts/2110838868943166?__tn__=K-R">Portrait of Science über Lennart</a> Teil 2</li><li> <a href="http://scienceblogs.de/diekleinendinge/2017/01/08/hochaufloesungsmikroskopie/">A. Lampe: Hochauflösungsmikroskopie</a>, Die kleinen Dinge, ScienceBlogs, 2017.</li><li> <a href="https://media.ccc.de/v/33c3-8237-es_sind_die_kleinen_dinge_im_leben">A. Lampe: Es sind die kleinen Dinge im Leben</a>, 33c3, 2016.</li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/mathsee">T. Hagedorn, G. Thäter: MathSEE</a>, Gespräch im Modellansatz Podcast, Folge 205, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. </li><li> <a href="http://modellansatz.de/portrait-of-science">M. Gonciarz, G. Thäter: Portrait of Science</a>, Gespräch im Modellansatz Podcast, Folge 197, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. </li><li> <a href="http://modellansatz.de/embryonic-patterns">G. Thäter, K. Page: Embryonic Patterns</a>, Gespräch im Modellansatz Podcast, Folge 161, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. </li><li> <a href="http://omegataupodcast.net/72-zellbiologie-2-forschung/">Omega Tau-Podcast 072: Forschung in der Zellbiologie</a>, 2011.</li><li> <a href="https://sciencekompass.de/2017/11/17/scikom009-auf-der-gruenen-wiese-und-beim-herrn-der-mikroskope/">J. Schmoranze, I. Wessolowski: Beim Herrn der Mikroskope – AMBIO Core Facility</a>, Sciencekompass Podcast, Episode 009 B, 2017.</li></ul>

Modellansatz 206

Gudrun unterhält sich in dieser Folge mit Lennart Hilbert, dem Leiter des Hilbert Labs am KIT. Das Labor ist Teil des Instituts für Toxikologie und Genetik (ITG), einem multidisziplinären Zentrum für biologische und chemische Forschung am KIT. Lennart Hilbert ist außerdem Juniorprofessor für Systembiologie/Bioinformatik am Zoologischen Institut des KIT. Das Thema von Lennarts Gruppe ist Computational Architectures in the Cell Nucleus. Das kann man auf zwei unterschiedliche Arten interpretieren. Einerseits untersucht Lennarts Gruppe den räumlichen Aufbau des Zellkerns mit Hilfe von Computern. Es heißt aber auch dass man aufgrund der dabei gewonnenen Erkenntnisse als Fernziel Datenverarbeitung mit Hilfe des Zellkernes als Informationsspeicher ermöglichen will. Gudrun und Lennart haben sich im Rahmen eines Treffens des KIT-Zentrums MathSEE kennengelernt, das im letzten Gespräch vorgestellt wurde. Mit der Hilfe von Super Auflösungs Mikroskopie schauen Lennart und seine Gruppe in das Innere von Zellkernen und sehen dabei dreidimensionale Bilder. Diese Bilder gleichen sie mit den Ergebnissen von den bisher standardmäßig durchgeführten Sequenzierexperimenten von Molekularbiologen ab. "Sehen" erfolgt mit empfindlichen Digitalkameras, deren Bilder geeignet gefiltert werden. Dabei ist eine einschränkende Randbedingung, dass die betrachteten Samples gegen Licht empfindlich sind, aber Licht für die visuelle Darstellung unabdingbar nötig ist - je kleiner die Details, desto mehr Licht. Man kann sich unschwer vorstellen, dass zur Bearbeitung diese Art von Fragen Informatik, Physik, Biologie und Mathematik nötig sind. Damit sich im Rahmen der Zusammenarbeit alle einbringen können, ist es hilfreich, wenn die Methoden einfach und die Ergebnisse visuell unmittelbar verständlich sind. Eine Grundannahme ist, dass die räumliche Organisation im Zellkern den Informationsflüssen aus der DNA-Sequenz entspricht. Die treibende Frage ist: Wie funktioniert Gensteuerung? Der betrachtete Regelkreis ist, dass die DNA als Bibliothek funktioniert. Aus einem Teil wird eine RNA-Kopie erstellt, sodass bestimmte Proteine hergestellt werden können. Diese Eiweiße aber steuern anschließend, welche Teile der DNA als nächstes gelesen werden (das schließt den Regelkreis). In der Systembiologie untersucht man dies bisher in Form von Differentialgleichungssystemen auf einer Metaebene. Wie das aber passiert ist aber noch relativ unklar. Die Hoffnung ist: Neues Sehen hilft hier, neues zu lernen und hierfür ist neueste Technik hilfreich. Die Molekulare Ebene ist der Teil der Biologie, wo im Moment am meisten Neues passiert. Lennart hat in Bremen Physik studiert und anschließend an der McGill University in Montréal in Physiologie promoviert. Hier hat er zum ersten Mal zwischen Theorie und Experiment in zwei Gruppen gleichzeitig gearbeitet. In Dresden am Zentrum für Systembiologie (Max Planck Institut für Molekulare Zellbiolgie und Genetik und Max Planck Institut (...)

Zellkerne

Gudrun spricht in dieser Folge mit Tanja Hagedorn, die Geschäftsführerin des KIT-Zentrums <a href="http://www.mathsee.kit.edu/">MathSEE</a> ist. Das Karlsruher Zentrum für Technologie (KIT) besteht aus sehr vielen Instituten, die in fünf thematischen Bereichen zusammengeschlossen sind. Andererseits gibt es die eher horizontal durch alle Bereiche hindurch sortierenden Gremien, die KIT-Zentren heißen. Hier sind Forscherinnen und Forscher Mitglied und es "werden Fragestellungen, die von fundamentaler Bedeutung für die Existenz und Weiterentwicklung der Gesellschaft sind oder die aus dem Streben nach Erkenntnis resultieren, bearbeitet." ( lt. <a href="https://www.kit.edu/forschen/kit_zentren.php">Webseite</a>). Sieben solche Zentren gibt es seit Gründung des KITs: <ul><li> <a href="http://www.energie.kit.edu/index.php">Energie</a> </li><li> <a href="http://www.kcist.kit.edu/">Information · Systeme · Technologien</a> </li><li> <a href="http://www.mobilitaetssysteme.kit.edu/index.php">Mobilitätssysteme</a> </li><li> <a href="http://www.kceta.kit.edu/">Elementarteilchen- und Astroteilchenphysik</a> </li><li> <a href="http://www.klima-umwelt.kit.edu/index.php">Klima und Umwelt</a> </li><li> <a href="http://www.materials.kit.edu/index.php">Materialien</a> </li><li> <a href="http://www.mensch-und-technik.kit.edu/index.php">Mensch und Technik</a></li></ul> Allerdings gab es ursprünglich kein Thema, unter dem die vielen Aktivitäten, die die Mathematik am KIT für die Gesellschaft leistet (und die auch nicht nur in der KIT-Fakultät für Mathematik stattfinden), ein Zuhause finden könnte. Deshalb entstand der Wunsch nach einem passenden Zentrum im KIT. Das KIT-Zentrum Mathematics in Sciences, Engineering, and Economics, kurz "MathSEE", gibt es nun seit Oktober 2018. In MathSEE kooperieren theoretisch-mathematisch und anwendungsorientiert arbeitenden Wissenschaftlerinnen und Wissenschaftler in gemeinsamen Forschungsprojekten. Aufgabe von MathSEE ist es auch, diese Forschung nach außen hin sichtbar zu machen sowie neue interdisziplinäre mathematische Forschung am KIT zu fördern. Da gilt es vor allen Dingen auch, Vermittlung zwischen Großforschungs- und Universitätsbereich zu betreiben. MathSEE bietet unter anderem eine <a href="http://www.mathsee.kit.edu/forschungsprojekte.php">Anschubförderung</a> für neue interdisziplinäre Projekte] an, deren erste Ausschreibungsrunde gerade erfolgreich abgeschlossen wurde und die ersten sieben Projekte eine Förderung erhalten haben. Die nächste Bewerbungsfrist ist Ende Juni 2019. Keimzelle von MathSEE war insbesondere der <ul><li> <a href="http://www.waves.kit.edu/">Sonderforschungsbereich 1173: Wellenphänomene: Analysis und Numerik</a>. Doch auch andere bestehende große Drittmittelprojekte in der Mathematik wie das </li><li> <a href="https://www.groups-and-spaces.kit.edu/index.php">Graduiertenkolleg 2229: Asymptotic Invariants and Limits of Groups and Spaces</a> </li></ul> bilden die Grundlage für die Entstehung von MathSEE. Sie haben dazu geführt, dass die besondere Stellung der Mathematik an der technischen Forschungseinrichtung KIT und die Forschungsstärke der Mathematik sichtbarer wurden. Die Initiative der Sprecherin Marlis Hochbruck hat die Gründung von MathSEE dann ins Rollen gebracht. Der engagierte Wissenschaftliche Sprecher von MathSEE, Prof. Martin Frank, ist in seiner Doppelrolle als Professor in der Mathematik und SCC-Direktor perfekt für die Aufgabe. Um gezielter zusammen arbeiten zu können, ist MathSEE mit seinen momentan knapp 130 Mitgliedern weiter untergliedert in Methodenbereiche: <ul><li> MB 1: Mathematische Strukturen: Formen, Geometrie, Zahlentheorie und Algebra </li><li> MB 2: Mathematische Modellbildung, Differentialgleichungen, Numerik, Simulation </li><li> MB 3: Inverse Probleme, Optimierung </li><li> MB 4: Stochastische Modellbildung, statistische Datenanalyse und Vorhersage </li></ul> Mitglieder arbeiten oft in mehreren Methodenbereichen mit. Die Methodenbereiche werden jeweils durch ein Paar interdisziplinär geleitet, d.h. eine Person aus der Mathematiker und eine Person aus einem anderen Forschungsbereich. Wichtig in MathSEE ist, dass insbesondere auch Promovierende Mitglied sein können und hier Kooperationspartner für Fragestellungen in ihrem Promotionsprojekt finden können. Für sie bietet die Graduiertenschule <a href="http://www.mathsee.kit.edu/mathseed.php">MathSEED</a> außerdem ein umfassendes Qualifikationsprogramm an. MathSEE fördert darüber hinaus zwei Veranstaltungsformate: In der <ul><li> <a href="http://www.mathsee.kit.edu/modellierungswoche.php">MathSEE Modellierungswoche</a> </li></ul>im August entwickeln Studierende Lösungsansätze zu aktuellen interdisziplinären mathematischen Fragestellungen von Problemstellenden aus MathSEE. Studierende erhalten dabei einen ersten Eindruck von der Forschung in angewandter Mathematik und die Problemstellenden können erste Ergebnisse erwarten. Bald wird auch ein <ul><li> MathSEE ScienceSlam </li></ul>stattfinden, da MathSEE versucht, auch für Mathematik bei einem größeren Publikum zu werben. <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="http://www.mathsee.kit.edu/index.php#block65">MathSEE Veranstaltungen und Termine</a></li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/kinetische-theorie">M. Frank, G. Thäter: Kinetische Theorie</a>, Gespräch im Modellansatz Podcast, Folge 152, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. </li><li> <a href="http://modellansatz.de/cammp-week">K. Wohak, M. Hattebuhr, E. Bastian, C. Beizinger, G. Thäter: CAMMP-Week</a>, Gespräch im Modellansatz Podcast, Folge 174, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. </li><li> <a href="http://modellansatz.de/simulierte-welten">M. Hattebuhr, K. Wohak, G. Thäter: Simulierte Welten</a>, Gespräch im Modellansatz Podcast, Folge 179, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. </li></ul>

Modellansatz 205

Gudrun spricht in dieser Folge mit Tanja Hagedorn, die Geschäftsführerin des KIT-Zentrums MathSEE ist. Das Karlsruher Zentrum für Technologie (KIT) besteht aus sehr vielen Instituten, die in fünf thematischen Bereichen zusammengeschlossen sind. Andererseits gibt es die eher horizontal durch alle Bereiche hindurch sortierenden Gremien, die KIT-Zentren heißen. Hier sind Forscherinnen und Forscher Mitglied und es "werden Fragestellungen, die von fundamentaler Bedeutung für die Existenz und Weiterentwicklung der Gesellschaft sind oder die aus dem Streben nach Erkenntnis resultieren, bearbeitet." ( lt. Webseite). Sieben solche Zentren gibt es seit Gründung des KITs: Energie, Information · Systeme · Technologien, Mobilitätssysteme, Elementarteilchen- und Astroteilchenphysik, Klima und Umwelt, Materialien, Mensch und Technik. Allerdings gab es ursprünglich kein Thema, unter dem die vielen Aktivitäten, die die Mathematik am KIT für die Gesellschaft leistet (und die auch nicht nur in der KIT-Fakultät für Mathematik stattfinden), ein Zuhause finden könnte. Deshalb entstand der Wunsch nach einem passenden Zentrum im KIT. Das KIT-Zentrum Mathematics in Sciences, Engineering, and Economics, kurz "MathSEE", gibt es nun seit Oktober 2018. In MathSEE kooperieren theoretisch-mathematisch und anwendungsorientiert arbeitenden Wissenschaftlerinnen und Wissenschaftler in gemeinsamen Forschungsprojekten. Aufgabe von MathSEE ist es auch, diese Forschung nach außen hin sichtbar zu machen sowie neue interdisziplinäre mathematische Forschung am KIT zu fördern. Da gilt es vor allen Dingen auch, Vermittlung zwischen Großforschungs- und Universitätsbereich zu betreiben.  MathSEE bietet unter anderem eine Anschubförderung für neue interdisziplinäre Projekte] an, deren erste Ausschreibungsrunde gerade erfolgreich abgeschlossen wurde und die ersten sieben Projekte eine Förderung erhalten haben. Die nächste Bewerbungsfrist ist Ende Juni 2019.  Keimzelle von MathSEE war insbesondere der Sonderforschungsbereich 1173: Wellenphänomene: Analysis und Numerik. Doch auch andere bestehende große Drittmittelprojekte in der Mathematik wie das Graduiertenkolleg 2229: Asymptotic Invariants and Limits of Groups and Spaces bilden die Grundlage für die Entstehung von MathSEE. Sie haben dazu geführt, dass die besondere Stellung der Mathematik an der technischen Forschungseinrichtung KIT und die Forschungsstärke der Mathematik sichtbarer wurden. Die Initiative der Sprecherin Marlis Hochbruck hat die Gründung von MathSEE dann ins Rollen gebracht. Der engagierte Wissenschaftliche Sprecher von MathSEE, Prof. Martin Frank, ist in seiner Doppelrolle als Professor in der Mathematik und SCC-Direktor perfekt für die Aufgabe. Um gezielter zusammen arbeiten zu können, ist MathSEE mit seinen momentan knapp 130 Mitgliedern weiter untergliedert in Methodenbereiche: MB 1: Mathematische Strukturen: Formen, Geometrie, Zahlentheorie und Algebra, MB 2: Mathematische Modellbildung, Differentialgleichungen, Numerik, Simulation, MB 3: Inverse Probleme, Optimierung, MB 4: Stochastische Modellbildung, statistische Datenanalyse und Vorhersage.  (...)

MathSEE

Gudrun spricht mit Alina Sage, die gerade eine Masterarbeit am <a href="https://www.dkfz.de/de/index.html">Deutschen Krebsforschungszentrum in Heidelberg (DKFZ)</a> abgeschlossen hat. Mit Mark Bangert, dem Leiter der Arbeitsgruppe dort hatte Gudrun vo einigen Monaten über die Physik der <a href="https://de.wikipedia.org/wiki/Strahlentherapie">Strahlentherapie</a> gesprochen. Auch mit Alina gibt es schon eine Folge im Modellansatz, denn sie hat über ihre Erfahrungen als Studienbotschafterin berichtet. In der Masterarbeit von Alina geht es darum, die Unsicherheiten beim Bestrahlungsvorgang besser zu modellieren. In der Fachsprache heißt das noch recht junge Forschungsgebiet <a href="https://en.wikipedia.org/wiki/Uncertainty_quantification">Uncertainty Quantification</a>. Es gibt natürlich unterschiedliche Ursachen, die zu einer nicht punktgenauen Umsetzung des Bestrahlungsplanes für Patienten führen. Alina wählte daraus zwei, die ihr besonders wichtig erschienen: <ul><li> dass der Strahl nicht aus einer Punktquelle kommt, sondern die Quelle um ein Zentrum herum streut</li><li> dass der Patient nicht ganz exakt an dem Ort liegt, wie er in der Simulation angenommen wird, sondern etwas verschoben dazu.</li></ul> Beide Prozesse lassen sich recht gut mit einer <a href="https://de.wikipedia.org/wiki/Normalverteilung">Normalverteilung</a> beschreiben. Eine Normalverteilung wird durch eine glockenförmige Kurve dargestellt. Das Maximum ist der Wert, der als der wahrscheinlichste angenommen wird. Er heißt <a href="https://de.wikipedia.org/wiki/Erwartungswert">Erwartungswert</a>. Wie stark die Prozesse von diesem Wert abweichen, ist in der Glockenkurve dadurch ausgedrückt, ob die Kurve steil zu diesem Maximum hin anssteigt und anschließend wieder fällt (dann weicht sie wenig ab) oder eher breit aussieht. Das wird im Parameter <a href="https://de.wikipedia.org/wiki/Varianz_(Stochastik)">Varianz</a> (oder Standardabweichung) ausgedrückt. Um mit Hilfe von Simulationen die Unsicherheit zu beziffern, verwendet Alina das Instrument der <a href="https://de.wikipedia.org/wiki/Monte-Carlo-Simulation">Monte-Carlo-Simulation</a>. Sie benutzt die Open source software <a href="http://www.topas-academic.net/">TOPAS</a>. Insbesondere heißt Monte-Carlo-Simulation, dass sie eine riesige Anzahl von möglichen Pfaden der Strahlungspartikel simulieren lässt, um dann aus Tausenden von solchen Verläufen eine Näherung für den Erwartungswert der im Gewebe deponierten Bestrahlungsdosis zu errechnen. Die Partikel folgen dabei jeweils einem <a href="https://de.wikipedia.org/wiki/Random_Walk">Random Walk</a>. Im Prinzip muss man diese Simulationen für beide Prozesse machen, die mit ihrer Unsicherheit betrachtet werden. Hier kommt Alina jedoch eine Eigenschaft der Normalverteilung zu Gute: wenn zwei normal verteilte Prozesse unabhängig voneinander einwirken, lässt sich die Summe ihrer Wirkungen in einem einzigen normal verteilten Prozess ausdrücken. D.h. hier, dass Alina für diesen Prozess nur einmal die Monte-Carlo-Simulation durchführen muss. Das spart extrem viel Rechenleistung ein. Im Prozess der unabsichtlichen Verschiebung des Patienten um kleine Längen ist es insbesondere von Belang, wenn z.B. in der Nähe der Lunge bestrahlt wird. Fast alle Organe und Gewebe im Körper haben eine Dichte, die der von Wasser entspricht. Damit kann man den Weg der Partikel in Wechselwirkung mit dem Körper recht einfach modellieren. Wenn jedoch die Luft gefüllte Lunge auf dem Partikelweg ist, wird viel weniger Energie deponiert und das Partikel landet an einem Ort, der viel weiter von der Strahlungsquelle entfernt ist als für normales Gewebe. In diesem Fall kann man in der Bestrahlung z.B. den Hinweis geben, besonders auf Verschiebungsvermeidung in bestimmt gefährdete Richtungen zu achten. <h2>Literatur und weiterführende Informationen</h2> <ul><li> <a href="https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3374500/">H. Paganetti: Range uncertainties in proton therapy and the role of Monte Carlo simulation</a>. Phys. Med. Biol. 7.06.2012 57(11).</li><li> <a href="https://web.northeastern.edu/afeiguin/phys5870/phys5870/node71.html">A.E. Feiguin: Monte Carlos error analysis</a> online lecture course</li><li> <a href="https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3175356/">B. Bednarz, M. Engelsman, and H. Paganetti: Uncertainties and correction methods when modeling passive scattering proton therapy treatment heads with Monte Carlo</a>. Phys Med Biol. 2011;56:2837–2854.</li></ul> <h2>Podcasts</h2> <ul><li> <a href="http://modellansatz.de/bestrahlungstherapie">M. Bangert, G. Thäter: Bestrahlungstherapie</a>, Gespräch im Modellansatz Podcast, Folge 201, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. </li><li> <a href="http://modellansatz.de/studienbotschafterinnen">A. Sage, L. Schenk, G. Thäter: Studienbotschafterinnen</a>, Gespräch im Modellansatz Podcast, Folge 194, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. </li></ul>

Modellansatz 204

Gudrun spricht mit Alina Sage, die gerade eine Masterarbeit am Deutschen Krebsforschungszentrum in Heidelberg (DKFZ) abgeschlossen hat. Mit Mark Bangert, dem Leiter der Arbeitsgruppe dort hatte Gudrun vo einigen Monaten über die Physik der Strahlentherapie gesprochen. Auch mit Alina gibt es schon eine Folge im Modellansatz, denn sie hat über ihre Erfahrungen als Studienbotschafterin berichtet. In der Masterarbeit von Alina geht es darum, die Unsicherheiten beim Bestrahlungsvorgang besser zu modellieren. In der Fachsprache heißt das noch recht junge Forschungsgebiet Uncertainty Quantification. Es gibt natürlich unterschiedliche Ursachen, die zu einer nicht punktgenauen Umsetzung des Bestrahlungsplanes für Patienten führen. Alina wählte daraus zwei, die ihr besonders wichtig erschienen: * dass der Strahl nicht aus einer Punktquelle kommt, sondern die Quelle um ein Zentrum herum streut * dass der Patient nicht ganz exakt an dem Ort liegt, wie er in der Simulation angenommen wird, sondern etwas verschoben dazu. Beide Prozesse lassen sich recht gut mit einer Normalverteilung beschreiben. Eine Normalverteilung wird durch eine glockenförmige Kurve dargestellt. Das Maximum ist der Wert, der als der wahrscheinlichste angenommen wird. Er heißt Erwartungswert. Wie stark die Prozesse von diesem Wert abweichen, ist in der Glockenkurve dadurch ausgedrückt, ob die Kurve steil zu diesem Maximum hin anssteigt und anschließend wieder fällt (dann weicht sie wenig ab) oder eher breit aussieht. Das wird im Parameter Varianz (oder Standardabweichung) ausgedrückt. Um mit Hilfe von Simulationen die Unsicherheit zu beziffern, verwendet Alina das Instrument der Monte-Carlo-Simulation. Sie benutzt die Open source software TOPAS. Insbesondere heißt Monte-Carlo-Simulation, dass sie eine riesige Anzahl von möglichen Pfaden der Strahlungspartikel simulieren lässt, um dann aus Tausenden von solchen Verläufen eine Näherung für den Erwartungswert der im Gewebe deponierten Bestrahlungsdosis zu errechnen. Die Partikel folgen dabei jeweils einem Random Walk. Im Prinzip muss man diese Simulationen für beide Prozesse machen, die mit ihrer Unsicherheit betrachtet werden. Hier kommt Alina jedoch eine Eigenschaft der Normalverteilung zu Gute: wenn zwei normal verteilte Prozesse unabhängig voneinander einwirken, lässt sich die Summe ihrer Wirkungen in einem einzigen normal verteilten Prozess ausdrücken. D.h. hier, dass Alina für diesen Prozess nur einmal die Monte-Carlo-Simulation durchführen muss. Das spart extrem viel Rechenleistung ein. Im Prozess der unabsichtlichen Verschiebung des Patienten um kleine Längen ist es insbesondere von Belang, wenn z.B. in der Nähe der Lunge bestrahlt wird. Fast alle Organe und Gewebe im Körper haben eine Dichte, die der von Wasser entspricht. Damit kann man den Weg der Partikel in Wechselwirkung mit dem Körper recht einfach modellieren. Wenn jedoch die Luft gefüllte Lunge auf dem Partikelweg ist, wird viel weniger Energie deponiert (...)

Monte-Carlo Simulationen

Bei genauem Hinsehen finden wir die Naturwissenschaft und besonders Mathematik überall in unserem Leben, vom Wasserhahn über die automatischen Temporegelungen an Autobahnen, in der Medizintechnik bis hin zum Mobiltelefon. Woran die Forscher, Absolventen und Lehrenden in Karlsruhe gerade tüfteln, erfahren wir hier aus erster Hand.

PODLIST

Modellansatz

Mathematik und ihre Anwendungen

Neue Episoden

Poiseuillestrom

Modellansatz

Gastransport

Modellansatz

GAMM Juniors

Modellansatz

Formoptimierung

Modellansatz

Batteries

Modellansatz

Elastoplastizität

Modellansatz

Verkehrsoptimierung

Modellansatz

Research Software Engineering

Modellansatz

Propensity Score Matching

Modellansatz

Zellkerne

Modellansatz

MathSEE

Modellansatz

Monte-Carlo Simulationen

Modellansatz